論文の概要: LesionPaste: One-Shot Anomaly Detection for Medical Images

• arxiv url: http://arxiv.org/abs/2203.06354v1
• Date: Sat, 12 Mar 2022 06:19:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 16:45:51.243788
• Title: LesionPaste: One-Shot Anomaly Detection for Medical Images
• Title（参考訳）: LesionPaste:医療画像のワンショット異常検出
• Authors: Weikai Huang, Yijin Huang, Xiaoying Tang
• Abstract要約: 本稿では,1つの注釈付きサンプルから真の異常を利用した一発異常検出フレームワークLesionPasteを提案する。 MixUpは、通常の画像のランダムな位置で病変バンクからパッチを貼り付け、トレーニング用の異常サンプルを合成するために使用される。 提案したLesionPasteは,最先端の非教師付きおよび半教師付き異常検出手法よりも優れており,完全教師付き手法と同等である。
• 参考スコア（独自算出の注目度）: 0.6445605125467573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the high cost of manually annotating medical images, especially for large-scale datasets, anomaly detection has been explored through training models with only normal data. Lacking prior knowledge of true anomalies is the main reason for the limited application of previous anomaly detection methods, especially in the medical image analysis realm. In this work, we propose a one-shot anomaly detection framework, namely LesionPaste, that utilizes true anomalies from a single annotated sample and synthesizes artificial anomalous samples for anomaly detection. First, a lesion bank is constructed by applying augmentation to randomly selected lesion patches. Then, MixUp is adopted to paste patches from the lesion bank at random positions in normal images to synthesize anomalous samples for training. Finally, a classification network is trained using the synthetic abnormal samples and the true normal data. Extensive experiments are conducted on two publicly-available medical image datasets with different types of abnormalities. On both datasets, our proposed LesionPaste largely outperforms several state-of-the-art unsupervised and semi-supervised anomaly detection methods, and is on a par with the fully-supervised counterpart. To note, LesionPaste is even better than the fully-supervised method in detecting early-stage diabetic retinopathy.
• Abstract（参考訳）: 医用画像、特に大規模データセットを手動でアノテートするコストが高いため、異常検出は通常のデータのみを用いたトレーニングモデルを通じて行われた。 真の異常に関する事前知識の欠如は、特に医用画像解析領域において、従来の異常検出方法の限定的な適用の主な理由である。 本研究では,1つの注釈付きサンプルから真の異常を利用して,異常検出のための人工異常サンプルを合成する一発異常検出フレームワークLesionPasteを提案する。 まず、ランダムに選択された病変パッチに拡大を加えて病変バンクを構築する。 次に、正常画像内のランダムな位置に病変バンクからパッチをペーストし、異常なサンプルを合成して訓練を行う。 最後に、合成異常サンプルと真の正常データとを用いて分類ネットワークを訓練する。 さまざまな種類の異常を有する2つの医療用画像データセットについて,広範な実験を行った。 いずれのデータセットにおいても,提案手法は,非教師なしおよび半教師なしの異常検出法を圧倒的に上回っており,完全教師なし法と同等である。 なお、早期糖尿病網膜症検出において、病原性パステは全監督法よりも優れている。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 本稿では、通常のトレーニングデータを異なるコンテキストに設定することで、この問題に対処するCon2を提案する。 より現実的な医療環境では,様々なベンチマークで最先端のパフォーマンスを実現しつつ,優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• 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)
• Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
  Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。 InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。 InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-03-11T08:07:46Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
  異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。 本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。 本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
  論文  参考訳（メタデータ） (2023-04-09T10:40:02Z)
• Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
  異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。 最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。 我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
  論文  参考訳（メタデータ） (2022-07-03T20:11:51Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。