Fugu-MT 論文翻訳(概要): Multi-centred Strong Augmentation via Contrastive Learning for Unsupervised Lesion Detection and Segmentation

論文の概要: Multi-centred Strong Augmentation via Contrastive Learning for Unsupervised Lesion Detection and Segmentation

arxiv url: http://arxiv.org/abs/2109.01303v1
Date: Fri, 3 Sep 2021 04:25:57 GMT
ステータス: 処理完了
システム内更新日: 2021-09-06 13:53:27.359512
Title: Multi-centred Strong Augmentation via Contrastive Learning for Unsupervised Lesion Detection and Segmentation
Title（参考訳）: 教師なし病変検出・分節のためのコントラスト学習による多心性強増幅
Authors: Yu Tian and Fengbei Liu and Guansong Pang and Yuanhong Chen and Yuyuan Liu and Johan W. Verjans and Rajvinder Singh and Gustavo Carneiro
Abstract要約: コントラシブ・ラーニング(MSACL)によるマルチセントレッド・ストロング・アグラデーション(Multi-centred Strong Augmentation)という自己教師付きUAD事前学習アルゴリズムを提案する。 MSACLは、通常の画像サンプルの強みと弱みを分離することで表現を学習する。我々はMedMixという新しいデータ拡張戦略を導入し、通常の画像に現実的な病変(異常)を持つ新しいトレーニング画像を作成する。
参考スコア（独自算出の注目度）: 23.79184121052212
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The scarcity of high quality medical image annotations hinders the implementation of accurate clinical applications for detecting and segmenting abnormal lesions. To mitigate this issue, the scientific community is working on the development of unsupervised anomaly detection (UAD) systems that learn from a training set containing only normal (i.e., healthy) images, where abnormal samples (i.e., unhealthy) are detected and segmented based on how much they deviate from the learned distribution of normal samples. One significant challenge faced by UAD methods is how to learn effective low-dimensional image representations that are sensitive enough to detect and segment abnormal lesions of varying size, appearance and shape. To address this challenge, we propose a novel self-supervised UAD pre-training algorithm, named Multi-centred Strong Augmentation via Contrastive Learning (MSACL). MSACL learns representations by separating several types of strong and weak augmentations of normal image samples, where the weak augmentations represent normal images and strong augmentations denote synthetic abnormal images. To produce such strong augmentations, we introduce MedMix, a novel data augmentation strategy that creates new training images with realistic looking lesions (i.e., anomalies) in normal images. The pre-trained representations from MSACL are generic and can be used to improve the efficacy of different types of off-the-shelf state-of-the-art (SOTA) UAD models. Comprehensive experimental results show that the use of MSACL largely improves these SOTA UAD models on four medical imaging datasets from diverse organs, namely colonoscopy, fundus screening and covid-19 chest-ray datasets.
Abstract（参考訳）: 高品質な医用画像アノテーションの不足は、異常病変の検出と分別のための正確な臨床応用を妨げている。この問題を軽減するため、科学コミュニティは、正常な(すなわち健康な)画像のみを含むトレーニングセットから学習する、教師なし異常検出(unsupervised anomaly detection, uad)システムの開発に取り組んでいる。 uad法が直面する重要な課題の1つは、大きさ、外観、形状の異なる異常病変を検出・切断するのに十分敏感な、効果的な低次元画像表現を学習する方法である。そこで本研究では,自己教師付きuad事前学習アルゴリズムであるmulti-centred strong augmentedation via contrastive learning (msacl)を提案する。 msaclは、通常の画像サンプルのいくつかのタイプの強弱増強を分離して表現を学習し、弱増強は正常画像を表し、強増強は合成異常画像を表す。このような強力な拡張を実現するため、我々はMedMixという新しいデータ拡張戦略を導入し、通常の画像に現実的な病変(異常)を持つ新たなトレーニング画像を作成する。 MSACLの事前訓練された表現は汎用的であり、様々な種類のオフ・ザ・シェルフ状態(SOTA) UADモデルの有効性を改善するために使用できる。包括的実験の結果,msaclの使用は,大腸内視鏡,眼底検診,およびcovid-19胸部x線データセットの4つの医療画像データセットにおいて,これらのsota uadモデルを大幅に改善することが示された。

関連論文リスト

Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文参考訳（メタデータ） (2024-10-14T08:41:31Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
AMAE: Adaptation of Pre-Trained Masked Autoencoder for Dual-Distribution Anomaly Detection in Chest X-Rays [17.91123470181453]
我々は、事前訓練されたマスク付きオートエンコーダ(MAE)の適応のための2段階アルゴリズムであるAMAEを提案する。 AMAEは、競合する自己監督型および二重分布異常検出法よりも一貫した性能向上をもたらす。
論文参考訳（メタデータ） (2023-07-24T12:03:50Z)
Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
論文参考訳（メタデータ） (2023-02-10T10:25:12Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Dual-distribution discrepancy with self-supervised refinement for anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文参考訳（メタデータ） (2022-10-09T11:18:45Z)
Exposing Outlier Exposure: What Can Be Learned From Few, One, and Zero Outlier Images [26.283734474660484]
専門的なAD学習手法は、実際には多量かつ膨大なデータのコーパスであることを示す。我々は,この現象を調査し,一級法がトレーニングアウトリージの特定の選択に対してより堅牢であることを明らかにする。
論文参考訳（メタデータ） (2022-05-23T17:23:15Z)
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文参考訳（メタデータ） (2021-04-08T19:04:55Z)
Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文参考訳（メタデータ） (2021-03-05T01:56:58Z)
Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。本稿では,生成逆U-Netという新しい生成手法を提案する。当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文参考訳（メタデータ） (2021-01-12T23:02:26Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。