論文の概要: StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2201.13271v1
• Date: Mon, 31 Jan 2022 14:27:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 14:39:39.018163
• Title: StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder
• Title（参考訳）: StRegA:小型文脈符号化変分オートエンコーダを用いた脳MRIにおける教師なし異常検出
• Authors: Soumick Chatterjee, Alessandro Sciarra, Max D\"unnwald, Pavan Tummala, Shubham Kumar Agrawal, Aishwarya Jauhari, Aman Kalra, Steffen Oeltze-Jafra, Oliver Speck and Andreas N\"urnberger
• Abstract要約: 教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
• 参考スコア（独自算出の注目度）: 48.2010192865749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Expert interpretation of anatomical images of the human brain is the central part of neuro-radiology. Several machine learning-based techniques have been proposed to assist in the analysis process. However, the ML models typically need to be trained to perform a specific task, e.g., brain tumour segmentation or classification. Not only do the corresponding training data require laborious manual annotations, but a wide variety of abnormalities can be present in a human brain MRI - even more than one simultaneously, which renders representation of all possible anomalies very challenging. Hence, a possible solution is an unsupervised anomaly detection (UAD) system that can learn a data distribution from an unlabelled dataset of healthy subjects and then be applied to detect out of distribution samples. Such a technique can then be used to detect anomalies - lesions or abnormalities, for example, brain tumours, without explicitly training the model for that specific pathology. Several Variational Autoencoder (VAE) based techniques have been proposed in the past for this task. Even though they perform very well on controlled artificially simulated anomalies, many of them perform poorly while detecting anomalies in clinical data. This research proposes a compact version of the "context-encoding" VAE (ceVAE) model, combined with pre and post-processing steps, creating a UAD pipeline (StRegA), which is more robust on clinical data, and shows its applicability in detecting anomalies such as tumours in brain MRIs. The proposed pipeline achieved a Dice score of 0.642$\pm$0.101 while detecting tumours in T2w images of the BraTS dataset and 0.859$\pm$0.112 while detecting artificially induced anomalies, while the best performing baseline achieved 0.522$\pm$0.135 and 0.783$\pm$0.111, respectively.
• Abstract（参考訳）: ヒト脳の解剖学的画像の専門的解釈は神経放射線学の中枢部である。 分析プロセスを支援するために、機械学習に基づくいくつかの技術が提案されている。 しかし、MLモデルは通常、脳腫瘍のセグメンテーションや分類といった特定のタスクを実行するために訓練される必要がある。 対応するトレーニングデータは、面倒な手動のアノテーションを必要とするだけでなく、人間の脳MRIに様々な異常が存在する可能性がある。 したがって、考えられる解決策は、教師なしの異常検出(UAD)システムであり、健康な被験者の不正なデータセットからデータ分布を学習し、分布サンプルの検出に応用することができる。 このような手法は、特定の病理のモデルを明示的に訓練することなく、病変や脳腫瘍などの異常を検出するために使用できる。 いくつかの変分オートエンコーダ(VAE)に基づく手法が過去に提案されている。 制御された人工的な異常はよく機能するが、多くは臨床データに異常が検出されている。 本研究は,脳MRIにおける腫瘍などの異常を検出するために,より堅牢なUADパイプライン(StRegA)を作製し,前処理と後処理を併用した「コンテキストエンコーディング(context-encoding)」VAE(ceVAE)」モデルのコンパクトバージョンを提案する。 提案するパイプラインでは,ブラッツデータセットのt2w画像の腫瘍を検知し0.642$\pm$0.101,人工的な異常を検知して0.859$\pm$0.112,最高性能のベースラインを0.522$\pm$0.135, 0.783$\pm$0.111とした。

関連論文リスト

• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Towards frugal unsupervised detection of subtle abnormalities in medical imaging [0.0]
  医用画像における異常検出は、異常が注釈付けされていない状況では難しい課題である。 汎用性が広く認識されている確率分布の混合について検討する。 このオンラインアプローチは、新たに診断されたパーキンソン病患者の追跡において、MR脳スキャンの微妙な異常の検出が困難であることを示すものである。
  論文  参考訳（メタデータ） (2023-09-04T07:44:54Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)
• Simple statistical methods for unsupervised brain anomaly detection on MRI are competitive to deep learning methods [0.0]
  磁気共鳴画像(MRI)の統計的分析は、放射線医が見逃される可能性が低い病態を検出するのに役立つ。 深層学習(DL)は、脳異常検出のための複雑な空間データモデリングにおいて有望であることを示す。 そこで本研究では, DL等価な3次元畳み込みオートエンコーダの性能を, 教師なしの病理診断において達成できることを示す。
  論文  参考訳（メタデータ） (2020-11-25T13:45:11Z)
• Unsupervised 3D Brain Anomaly Detection [0.0]
  異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。 本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
  論文  参考訳（メタデータ） (2020-10-09T17:59:17Z)
• 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)
• Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
  本稿では,脳腫瘍の異常検出アルゴリズムを提案する。 健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-09T12:12:16Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。