論文の概要: Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
impured training data
- arxiv url: http://arxiv.org/abs/2204.05778v1
- Date: Tue, 12 Apr 2022 13:05:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-13 14:40:37.543731
- Title: Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
impured training data
- Title（参考訳）: 深層学習とトレーニングデータを用いた3次元脳MRIにおける教師なし異常検出
- Authors: Finn Behrendt, Marcel Bengs, Frederik Rogge, Julia Kr\"uger, Roland
Opfer, Alexander Schlaefer
- Abstract要約: トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。
AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
- 参考スコア（独自算出の注目度）: 53.122045119395594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of lesions in magnetic resonance imaging (MRI)-scans of human
brains remains challenging, time-consuming and error-prone. Recently,
unsupervised anomaly detection (UAD) methods have shown promising results for
this task. These methods rely on training data sets that solely contain healthy
samples. Compared to supervised approaches, this significantly reduces the need
for an extensive amount of labeled training data. However, data labelling
remains error-prone. We study how unhealthy samples within the training data
affect anomaly detection performance for brain MRI-scans. For our evaluations,
we consider three publicly available data sets and use autoencoders (AE) as a
well-established baseline method for UAD. We systematically evaluate the effect
of impured training data by injecting different quantities of unhealthy samples
to our training set of healthy samples from T1-weighted MRI-scans. We evaluate
a method to identify falsely labeled samples directly during training based on
the reconstruction error of the AE. Our results show that training with impured
data decreases the UAD performance notably even with few falsely labeled
samples. By performing outlier removal directly during training based on the
reconstruction-loss, we demonstrate that falsely labeled data can be detected
and removed to mitigate the effect of falsely labeled data. Overall, we
highlight the importance of clean data sets for UAD in brain MRI and
demonstrate an approach for detecting falsely labeled data directly during
training.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)によるヒト脳の病変の検出は、依然として困難であり、時間を要する。
近年, 教師なし異常検出 (UAD) 手法は, この課題に対して有望な結果を示した。
これらの方法は、健康なサンプルのみを含むトレーニングデータセットに依存している。
教師付きアプローチと比較して、これは大量のラベル付きトレーニングデータの必要性を大幅に削減する。
しかし、データラベリングはエラーを起こしやすい。
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。
評価では,3つの公開データセットとオートエンコーダ(AE)を,UDAの確立されたベースライン手法として利用する。
t1強調mri-scansのトレーニングセットに不健康なサンプルを多量に注入し,不健康なトレーニングデータの効果を体系的に評価した。
AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
以上の結果から,有意なラベル付きサンプルが少なくても,不正なデータによるトレーニングがUAD性能を低下させることが明らかとなった。
再構成損失に基づいてトレーニング中に直接外乱除去を行うことにより、偽ラベル付きデータを検出・除去し、偽ラベル付きデータの効果を軽減できることを示す。
全体として、脳MRIにおけるUDAのためのクリーンデータセットの重要性を強調し、トレーニング中に誤ラベル付きデータを直接検出するためのアプローチを示す。
関連論文リスト
- Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - From Barlow Twins to Triplet Training: Differentiating Dementia with Limited Data [8.954593873296284]
本稿では,限られた対象データを用いたディファレンシャル診断のためのトリプルトトレーニングを提案する。
i)Barlow Twinsによるラベルなしデータに対する自己教師付き事前トレーニング、(ii)タスク関連データに対する自己蒸留、(iii)ターゲットデータセットに対する微調整の3つの重要なステージで構成されている。
私たちのアプローチは従来のトレーニング戦略を著しく上回り、75.6%のバランスの取れた精度を実現しています。
論文 参考訳（メタデータ） (2024-04-09T12:25:06Z) - GSURE-Based Diffusion Model Training with Corrupted Data [35.56267114494076]
本稿では, 劣化データのみに基づく生成拡散モデルのための新しいトレーニング手法を提案する。
顔画像と磁気共鳴画像(MRI)の撮影技術について紹介する。
論文 参考訳（メタデータ） (2023-05-22T15:27:20Z) - Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。
本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2022-12-20T19:29:37Z) - Constrained self-supervised method with temporal ensembling for fiber
bundle detection on anatomic tracing data [0.08329098197319453]
本研究では,マカク脳のトレーサ部における繊維束の正確なセグメンテーションのための自己教師付き損失関数を用いた深層学習法を提案する。
異なるマカクの未確認区間における本手法の評価は, 真正率0.90の有望な結果をもたらす。
論文 参考訳（メタデータ） (2022-08-06T19:17:02Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-05-28T07:47:53Z) - A Label Management Mechanism for Retinal Fundus Image Classification of
Diabetic Retinopathy [11.52575078071384]
ディープニューラルネットワーク(DNN)のトレーニングには、大量の注意深くラベル付けされたデータが必要である。
大量のデータをラベル付けして、モデルの性能を劣化させると、ノイズの多いラベルデータがもたらされる。
そこで本稿では,DNNがノイズデータに対する過度な適合を克服するための新しいラベル管理機構(LMM)を提案する。
論文 参考訳（メタデータ） (2021-06-23T10:05:47Z) - 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。