論文の概要: Progressive GANomaly: Anomaly detection with progressively growing GANs
- arxiv url: http://arxiv.org/abs/2206.03876v1
- Date: Wed, 8 Jun 2022 13:13:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 19:49:41.694395
- Title: Progressive GANomaly: Anomaly detection with progressively growing GANs
- Title（参考訳）: 進行性ガンマ:進行性GANによる異常検出
- Authors: Djennifer K. Madzia-Madzou and Hugo J. Kuijf
- Abstract要約: 異常検出(英: Anomaly detection)とは、正常なデータのみをトレーニングしながら、目に見えない異常なデータを検出できる方法である。
本稿では, 既存手法であるGANomalyと, 段階的に成長するGANを組み合わせることで, 新たな手法を提案する。
本手法はFashion MNIST, Medical Out-of-Distribution Analysis Challenge (MOOD), in-house brain MRIを用いて検討した。
- 参考スコア（独自算出の注目度）: 0.08122270502556374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In medical imaging, obtaining large amounts of labeled data is often a
hurdle, because annotations and pathologies are scarce. Anomaly detection is a
method that is capable of detecting unseen abnormal data while only being
trained on normal (unannotated) data. Several algorithms based on generative
adversarial networks (GANs) exist to perform this task, yet certain limitations
are in place because of the instability of GANs. This paper proposes a new
method by combining an existing method, GANomaly, with progressively growing
GANs. The latter is known to be more stable, considering its ability to
generate high-resolution images. The method is tested using Fashion MNIST,
Medical Out-of-Distribution Analysis Challenge (MOOD), and in-house brain MRI;
using patches of sizes 16x16 and 32x32. Progressive GANomaly outperforms a
one-class SVM or regular GANomaly on Fashion MNIST. Artificial anomalies are
created in MOOD images with varying intensities and diameters. Progressive
GANomaly detected the most anomalies with varying intensity and size.
Additionally, the intermittent reconstructions are proven to be better from
progressive GANomaly. On the in-house brain MRI dataset, regular GANomaly
outperformed the other methods.
- Abstract（参考訳）: 医用画像では、注釈や病理が乏しいため、大量のラベル付きデータを取得することがしばしばハードルとなる。
異常検出(英: anomaly detection)は、正常な(注釈なし)データのみを訓練しながら、目に見えない異常データを検出できる手法である。
生成的敵ネットワーク(GAN)に基づくいくつかのアルゴリズムがこのタスクを実行するために存在するが、GANの不安定性のために一定の制限が設けられている。
本稿では,既存手法であるGANomalyと段階的に成長するGANを組み合わせた新しい手法を提案する。
後者は高解像度画像を生成する能力を考慮するとより安定していることが知られている。
この方法は、Fashion MNIST、MOOD(Messical Out-of-Distribution Analysis Challenge)および社内脳MRIを用いて、サイズ16x16および32x32のパッチを用いて試験される。
プログレッシブ・ガノマリーはファッションMNISTにおいて一級SVMまたは正規のガノマリーよりも優れる。
人工異常は、強度や直径の異なるムード画像で生成される。
プログレッシブ・ガノマリーは強度と大きさの異なる最も異常を検知した。
また,間欠的再建は進行性GANomalyより優れていることが判明した。
社内の脳MRIデータセットでは、通常のGANomalyが他の方法よりも優れていた。
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 using Aggregated Normative Diffusion [46.24703738821696]
教師なし異常検出は、より広い範囲の異常を識別する可能性がある。
既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。
Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
論文 参考訳（メタデータ） (2023-12-04T14:02:56Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - 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) - 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) - Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly
Detection [8.737589725372398]
PHANES(Pseudo Healthy Generative Network for Anomaly)と呼ばれる新しい教師なしアプローチを導入する。
本手法は, 異常を回復し, 健康な組織を保存し, 異常領域を偽の健康再建に置き換える機能を有する。
我々は、T1w脳MRIデータセットの脳梗塞検出におけるPHANESの有効性を実証し、最先端(SOTA)法よりも大幅に改善したことを示す。
論文 参考訳（メタデータ） (2023-03-15T08:54:20Z) - 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) - Multitask Brain Tumor Inpainting with Diffusion Models: A Methodological
Report [0.0]
インペイントアルゴリズムは、入力画像の1つ以上の領域を変更することができるDL生成モデルのサブセットである。
これらのアルゴリズムの性能は、その限られた出力量のために、しばしば準最適である。
拡散確率モデル(DDPM)は、GANに匹敵する品質の結果を生成することができる、最近導入された生成ネットワークのファミリーである。
論文 参考訳（メタデータ） (2022-10-21T17:13:14Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - 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)
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。