論文の概要: Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly
Detection and Segmentation in Medical Images
- arxiv url: http://arxiv.org/abs/2109.01303v3
- Date: Mon, 14 Aug 2023 21:32:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 17:57:35.900842
- Title: Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly
Detection and Segmentation in Medical Images
- Title（参考訳）: 医用画像における教師なし異常検出とセグメンテーションのための自己教師付き疑似マルチクラス事前学習
- 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: 教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、テスト中は正常な(または正常な)画像と異常な画像を分類することができる。
コントラスト学習(PMSACL)によるPseudo Multi-class Strong Augmentation(Pseudo Multi-class Strong Augmentation)という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
- 参考スコア（独自算出の注目度）: 31.676609117780114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised anomaly detection (UAD) methods are trained with normal (or
healthy) images only, but during testing, they are able to classify normal and
abnormal (or disease) images. UAD is an important medical image analysis (MIA)
method to be applied in disease screening problems because the training sets
available for those problems usually contain only normal images. However, the
exclusive reliance on normal images may result in the learning of ineffective
low-dimensional image representations that are not sensitive enough to detect
and segment unseen abnormal lesions of varying size, appearance, and shape.
Pre-training UAD methods with self-supervised learning, based on computer
vision techniques, can mitigate this challenge, but they are sub-optimal
because they do not explore domain knowledge for designing the pretext tasks,
and their contrastive learning losses do not try to cluster the normal training
images, which may result in a sparse distribution of normal images that is
ineffective for anomaly detection. In this paper, we propose a new
self-supervised pre-training method for MIA UAD applications, named Pseudo
Multi-class Strong Augmentation via Contrastive Learning (PMSACL). PMSACL
consists of a novel optimisation method that contrasts a normal image class
from multiple pseudo classes of synthesised abnormal images, with each class
enforced to form a dense cluster in the feature space. In the experiments, we
show that our PMSACL pre-training improves the accuracy of SOTA UAD methods on
many MIA benchmarks using colonoscopy, fundus screening and Covid-19 Chest
X-ray datasets. The code is made publicly available via
https://github.com/tianyu0207/PMSACL.
- Abstract（参考訳）: 教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、試験中は正常で異常な(または病気)画像を分類することができる。
UADは、疾患スクリーニング問題に適用される重要な医療画像解析(MIA)手法である。
しかし、通常の画像への排他的依存は、大きさ、外観、形状の異常な病変を検出・分断するのに十分な感度の低い非効率な低次元画像表現の学習をもたらす可能性がある。
コンピュータビジョン技術に基づく自己教師型学習によるUADの事前学習は、この課題を軽減することができるが、それらはプレテキストタスクを設計するためのドメイン知識を探索せず、その対照的な学習損失は通常の訓練画像のクラスタ化を試みず、その結果、異常検出に有効でない正常画像のスパース分布をもたらす可能性があるため、準最適である。
本稿では,Pseudo Multi-class Strong Augmentation via Contrastive Learning (PMSACL) という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
PMSACLは、通常の画像クラスと合成された複数の異常画像の擬似クラスを対比する新しい最適化法と、特徴空間に密集クラスタを形成するために各クラスを強制する。
実験では, PMSACLプレトレーニングにより, 大腸内視鏡, 根底検診, Covid-19 Chest X-ray データセットを用いた多くのMIAベンチマークにおけるSOTA UAD法の精度が向上することを示した。
コードはhttps://github.com/tianyu0207/PMSACLで公開されている。
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。