Fugu-MT 論文翻訳(概要): Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models

論文の概要: Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models

arxiv url: http://arxiv.org/abs/2206.03461v1
Date: Tue, 7 Jun 2022 17:30:43 GMT
ステータス: 処理完了
システム内更新日: 2022-06-08 17:39:20.427443
Title: Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models
Title（参考訳）: 拡散モデルを用いた高速無監督脳異常検出とセグメンテーション
Authors: Walter H. L. Pinaya, Mark S. Graham, Robert Gray, Pedro F Da Costa, Petru-Daniel Tudosiu, Paul Wright, Yee H. Mah, Andrew D. MacKinnon, James T. Teo, Rolf Jager, David Werring, Geraint Rees, Parashkev Nachev, Sebastien Ourselin, M. Jorge Cardoso
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.6352599467675781
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep generative models have emerged as promising tools for detecting arbitrary anomalies in data, dispensing with the necessity for manual labelling. Recently, autoregressive transformers have achieved state-of-the-art performance for anomaly detection in medical imaging. Nonetheless, these models still have some intrinsic weaknesses, such as requiring images to be modelled as 1D sequences, the accumulation of errors during the sampling process, and the significant inference times associated with transformers. Denoising diffusion probabilistic models are a class of non-autoregressive generative models recently shown to produce excellent samples in computer vision (surpassing Generative Adversarial Networks), and to achieve log-likelihoods that are competitive with transformers while having fast inference times. Diffusion models can be applied to the latent representations learnt by autoencoders, making them easily scalable and great candidates for application to high dimensional data, such as medical images. Here, we propose a method based on diffusion models to detect and segment anomalies in brain imaging. By training the models on healthy data and then exploring its diffusion and reverse steps across its Markov chain, we can identify anomalous areas in the latent space and hence identify anomalies in the pixel space. Our diffusion models achieve competitive performance compared with autoregressive approaches across a series of experiments with 2D CT and MRI data involving synthetic and real pathological lesions with much reduced inference times, making their usage clinically viable.
Abstract（参考訳）: 深層生成モデルは、データ中の任意の異常を検出するための有望なツールとして登場し、手動ラベリングを必要としない。近年, オートレグレッシブトランスフォーマは, 医用画像における異常検出のための最先端の性能を達成している。それでもこれらのモデルには、イメージを1Dシーケンスとしてモデル化すること、サンプリングプロセス中のエラーの蓄積、トランスフォーマーに関連する重要な推論時間など、固有の弱点がある。拡散確率モデル(英: Denoising diffusion probabilistic model)は、コンピュータビジョンにおいて優れたサンプルを生成するために最近示された非自己回帰生成モデルのクラスであり、高速な推論時間を持ちながらトランスフォーマーと競合するログライクな動作を実現する。拡散モデルはオートエンコーダによって学習される潜在表現に適用でき、簡単にスケーラブルで、医用画像などの高次元データに適用できる優れた候補となる。本稿では,脳画像中の異常を検出する拡散モデルに基づく手法を提案する。モデルを健全なデータでトレーニングし、マルコフ連鎖の拡散と逆ステップを探索することにより、潜在空間の異常領域を特定し、ピクセル空間の異常領域を特定することができる。拡散モデルと2dctおよびmriデータを用いた一連の実験で比較した自己回帰的アプローチは, 推定時間を大幅に短縮し, 臨床的に有用であった。

関連論文リスト

Assessing the use of Diffusion models for motion artifact correction in brain MRI [0.6554326244334868]
我々は2次元脳MRIにおける運動アーチファクトの修正に拡散モデルを用いることを批判的に評価した。本研究では,拡散モデルに基づく手法と最先端の手法との比較を行った。拡散モデルは正確な予測や有害な幻覚を生成できる。
論文参考訳（メタデータ） (2025-02-03T14:56:48Z)
Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文参考訳（メタデータ） (2024-12-30T01:59:34Z)
Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
論文参考訳（メタデータ） (2024-11-06T15:43:51Z)
StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文参考訳（メタデータ） (2024-08-11T01:22:29Z)
Paired Diffusion: Generation of related, synthetic PET-CT-Segmentation scans using Linked Denoising Diffusion Probabilistic Models [0.0]
本研究では,複数のPET-CT-腫瘍マスクペアをペアネットワークと条件エンコーダを用いて生成できる新しいアーキテクチャを提案する。我々のアプローチには、DDPMサンプリング一貫性を改善するための革新的で時間的なステップ制御機構とノイズ探索戦略が含まれる。
論文参考訳（メタデータ） (2024-03-26T14:21:49Z)
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)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
ViT-DAE: Transformer-driven Diffusion Autoencoder for Histopathology Image Analysis [4.724009208755395]
高品質な病理画像合成のための視覚変換器(ViT)と拡散オートエンコーダを統合したViT-DAEを提案する。提案手法は, 実写画像生成におけるGAN法とバニラDAE法より優れている。
論文参考訳（メタデータ） (2023-04-03T15:00:06Z)
DIRE for Diffusion-Generated Image Detection [128.95822613047298]
拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
論文参考訳（メタデータ） (2023-03-16T13:15:03Z)
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)

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。