論文の概要: On the Pitfalls of Using the Residual Error as Anomaly Score

• arxiv url: http://arxiv.org/abs/2202.03826v1
• Date: Tue, 8 Feb 2022 12:45:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 16:23:31.734319
• Title: On the Pitfalls of Using the Residual Error as Anomaly Score
• Title（参考訳）: 残差を異常スコアとして用いた際の落とし穴について
• Authors: Felix Meissen, Benedikt Wiestler, Georgios Kaissis, Daniel Rueckert
• Abstract要約: 医用画像における異常局所化の現在の手法は、潜在的に異常な入力画像と「健康」再構築の間の残像を計算することに依存している。 この仮定は、使用する機械学習モデルの完全な再構築による残差を考慮していない。 理論的にこの問題を定義し,不完全な再建に対する強度とテクスチャの影響を徹底的に評価する。
• 参考スコア（独自算出の注目度）: 6.863780677964219
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many current state-of-the-art methods for anomaly localization in medical images rely on calculating a residual image between a potentially anomalous input image and its "healthy" reconstruction. As the reconstruction of the unseen anomalous region should be erroneous, this yields large residuals as a score to detect anomalies in medical images. However, this assumption does not take into account residuals resulting from imperfect reconstructions of the machine learning models used. Such errors can easily overshadow residuals of interest and therefore strongly question the use of residual images as scoring function. Our work explores this fundamental problem of residual images in detail. We theoretically define the problem and thoroughly evaluate the influence of intensity and texture of anomalies against the effect of imperfect reconstructions in a series of experiments. Code and experiments are available under https://github.com/FeliMe/residual-score-pitfalls
• Abstract（参考訳）: 医療画像における異常局在に関する最新の手法の多くは、潜在的な異常入力画像とその「健康」再構成の間の残像の計算に依存している。 異常領域の再建は誤る必要があるため,医用画像の異常を検出するスコアとして大きな残像が得られた。 しかし、この仮定は、使用する機械学習モデルの完全な再構築による残差を考慮していない。 このような誤差は容易に関心の残差を覆すことができ、したがって残像をスコアリング関数として使うことに強く疑問を呈する。 我々の研究は、残像のこの根本的な問題を詳細に探求している。 この問題を理論的に定義し,不完全な再構築の効果に対する異常の強度とテクスチャの影響を,一連の実験で徹底的に評価する。 コードと実験はhttps://github.com/FeliMe/residual-score-pitfallsで利用可能である。

関連論文リスト

• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• 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)
• 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)
• Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET [3.5250480324981406]
  本研究では,現実的な異常画像のシミュレーションに基づく評価手法を提案する。 この枠組みを畳み込み変分オートエンコーダを用いた3次元脳FDG PETの再構成に適用する。
  論文  参考訳（メタデータ） (2024-01-29T18:02:22Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)
• Feature reconstruction from incomplete tomographic data without detour [0.0]
  我々はCTデータから直接畳み込み画像の特徴を頑健に再構築するための新しい枠組みを提案する。 フレームワーク内では、さまざまな機能再構成タスクに適応可能な非線形(変分法)正規化メソッドを使用します。
  論文  参考訳（メタデータ） (2022-02-22T08:37:14Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Uncertainty Estimation in Medical Image Denoising with Bayesian Deep Image Prior [2.0303656145222857]
  深層学習による逆医用画像タスクの不確実性はほとんど注目されていない。 大規模なデータセットでトレーニングされた深層モデルは、存在しない再建されたアウトプットに幻覚を与え、アーティファクトを生成する傾向がある。 我々は、再構成された画像のパラメータ化としてランダムに畳み込みネットワークを使用し、より深い画像と呼ばれる観測に一致させるために勾配降下を行う。
  論文  参考訳（メタデータ） (2020-08-20T08:34:51Z)
• 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)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。