論文の概要: Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images

• arxiv url: http://arxiv.org/abs/2110.01761v1
• Date: Tue, 5 Oct 2021 00:40:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 01:02:03.570403
• Title: Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images
• Title（参考訳）: 医用画像の異常検出のためのプロキシブリッジ画像再構成ネットワーク
• Authors: Kang Zhou, Jing Li, Weixin Luo, Zhengxin Li, Jianlong Yang, Huazhu Fu, Jun Cheng, Jiang Liu and Shenghua Gao
• Abstract要約: 医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
• 参考スコア（独自算出の注目度）: 59.700111685673846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in medical images refers to the identification of abnormal images with only normal images in the training set. Most existing methods solve this problem with a self-reconstruction framework, which tends to learn an identity mapping and reduces the sensitivity to anomalies. To mitigate this problem, in this paper, we propose a novel Proxy-bridged Image Reconstruction Network (ProxyAno) for anomaly detection in medical images. Specifically, we use an intermediate proxy to bridge the input image and the reconstructed image. We study different proxy types, and we find that the superpixel-image (SI) is the best one. We set all pixels' intensities within each superpixel as their average intensity, and denote this image as SI. The proposed ProxyAno consists of two modules, a Proxy Extraction Module and an Image Reconstruction Module. In the Proxy Extraction Module, a memory is introduced to memorize the feature correspondence for normal image to its corresponding SI, while the memorized correspondence does not apply to the abnormal images, which leads to the information loss for abnormal image and facilitates the anomaly detection. In the Image Reconstruction Module, we map an SI to its reconstructed image. Further, we crop a patch from the image and paste it on the normal SI to mimic the anomalies, and enforce the network to reconstruct the normal image even with the pseudo abnormal SI. In this way, our network enlarges the reconstruction error for anomalies. Extensive experiments on brain MR images, retinal OCT images and retinal fundus images verify the effectiveness of our method for both image-level and pixel-level anomaly detection.
• Abstract（参考訳）: 医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 既存の手法の多くは、アイデンティティマッピングを学習し、異常に対する感受性を低下させる自己再構築フレームワークによってこの問題を解決している。 そこで本稿では,医療画像における異常検出のためのプロキシブリッジ型画像再構成ネットワーク(proxyano)を提案する。 具体的には,中間プロキシを用いて入力画像と再構成画像の橋渡しを行う。 我々は、異なるプロキシタイプを研究し、スーパーピクセルイメージ(SI)が最適であることがわかった。 各スーパーピクセル内のすべてのピクセルの強度を平均強度として設定し、この画像をsiと表現する。 提案された ProxyAno は,2つのモジュール,プロキシ抽出モジュールとイメージ再構成モジュールで構成されている。 プロキシ抽出モジュールにおいて、正規画像の特徴対応を記憶するメモリを導入して対応するsiに記憶するが、記憶対応は異常画像には適用されず、異常画像の情報損失を生じさせ、異常検出を容易にする。 画像再構成モジュールでは、siを再構成した画像にマップする。 さらに、画像からパッチを採取し、正常なSIに貼り付け、異常を模倣し、疑似異常なSIであっても正常な画像の再構成をネットワークに強制する。 このようにして,ネットワークは異常の再構成誤差を増大させる。 脳MR画像,網膜OCT画像,網膜基底画像の広範囲にわたる実験により,画像レベルおよび画素レベルの異常検出における本法の有効性が検証された。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling [8.887775968482208]
  拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。 本稿では,Masked Diffusion Posterior Smpling (MDPS) という,新規かつ高解釈可能な手法を提案する。 MDPSは、異常検出や局所化と同様に、通常の画像再構成の品質において最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2024-04-27T13:13:27Z)
• Exploiting Structural Consistency of Chest Anatomy for Unsupervised Anomaly Detection in Radiography Images [20.80801110403552]
  簡易な空間認識メモリマトリックスによるX線画像からの異常検出(略してSimSID)を提案する。 トレーニング中、SimSIDは解剖学的構造を繰り返し発生する視覚パターンに分類することができ、推論では、テストイメージから異常を識別することができる。 我々のSimSIDは、ZhangLab、COVIDx、CheXpertベンチマークデータセット上の+8.0%、+5.0%、+9.9%のAUCスコアによる教師なし異常検出において、芸術の状態を超越している。
  論文  参考訳（メタデータ） (2024-03-13T16:44:49Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Iteration Assisted by Multi-level Obey-pixel Network Discriminator (DIAMOND) for Medical Image Recovery [0.6719751155411076]
  従来の反復型ネットワークと最新のディープネットワークの両方が注目されており、満足度の高い画像の再構成において大幅な改善がなされている。 本研究は,それらの利点を1つの統一数学的モデルに統合し,そのような問題に対処するための一般的な画像復元戦略を提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:57:33Z)
• Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images [42.700275429734205]
  網膜画像における異常検出は、網膜疾患や疾患によって引き起こされる異常の同定を指す。 本稿では,画像テクスチャと構造の関係を利用して,異常検出のためのディープニューラルネットワークの設計を提案する。
  論文  参考訳（メタデータ） (2020-08-09T02:59:33Z)
• DDR-ID: Dual Deep Reconstruction Networks Based Image Decomposition for Anomaly Detection [2.4589632879498478]
  画像異常検出(AD)における重要な課題の1つは、通常のクラストレーニングからのみ識別情報を学習することである。 本稿では,DDR-ID(Double Deep Restructed Network based Image decomposition)と呼ばれるAD手法を提案する。 2つの異常スコアを算出し、通常のクラス潜在空間または再構成画像空間における画像の異常度を定量化する。
  論文  参考訳（メタデータ） (2020-07-18T13:54:59Z)
• Pyramid Attention Networks for Image Restoration [124.34970277136061]
  自己相似性(Self-similarity)とは、画像復元アルゴリズムで広く使われる画像を指す。 近年の深層畳み込みニューラルネットワークによる画像復元手法は, 自己相似性を十分に活用していない。 画像復元のための新しいピラミッドアテンションモジュールを提案し,マルチスケール特徴ピラミッドから長距離特徴対応をキャプチャする。
  論文  参考訳（メタデータ） (2020-04-28T21:12:36Z)

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。