論文の概要: 3D unsupervised anomaly detection and localization through virtual
multi-view projection and reconstruction: Clinical validation on low-dose
chest computed tomography
- arxiv url: http://arxiv.org/abs/2206.13385v1
- Date: Sat, 18 Jun 2022 13:22:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 01:17:58.907443
- Title: 3D unsupervised anomaly detection and localization through virtual
multi-view projection and reconstruction: Clinical validation on low-dose
chest computed tomography
- Title（参考訳）: 仮想多視点投影と再構成による3次元非教師なし異常検出と局在:低用量胸部ctによる臨床的検証
- Authors: Kyung-Su Kim, Seong Je Oh, Ju Hwan Lee, Myung Jin Chung
- Abstract要約: 仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。
本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。
異常領域を93%の精度でローカライズし、高い性能を示す。
- 参考スコア（独自算出の注目度）: 2.2302915692528367
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computer-aided diagnosis for low-dose computed tomography (CT) based on deep
learning has recently attracted attention as a first-line automatic testing
tool because of its high accuracy and low radiation exposure. However, existing
methods rely on supervised learning, imposing an additional burden to doctors
for collecting disease data or annotating spatial labels for network training,
consequently hindering their implementation. We propose a method based on a
deep neural network for computer-aided diagnosis called virtual multi-view
projection and reconstruction for unsupervised anomaly detection. Presumably,
this is the first method that only requires data from healthy patients for
training to identify three-dimensional (3D) regions containing any anomalies.
The method has three key components. Unlike existing computer-aided diagnosis
tools that use conventional CT slices as the network input, our method 1)
improves the recognition of 3D lung structures by virtually projecting an
extracted 3D lung region to obtain two-dimensional (2D) images from diverse
views to serve as network inputs, 2) accommodates the input diversity gain for
accurate anomaly detection, and 3) achieves 3D anomaly/disease localization
through a novel 3D map restoration method using multiple 2D anomaly maps. The
proposed method based on unsupervised learning improves the patient-level
anomaly detection by 10% (area under the curve, 0.959) compared with a gold
standard based on supervised learning (area under the curve, 0.848), and it
localizes the anomaly region with 93% accuracy, demonstrating its high
performance.
- Abstract（参考訳）: 深層学習に基づく低線量CT(低線量CT)のコンピュータ支援診断は,高精度・低放射線曝露による一線自動検査ツールとして注目されている。
しかし、既存の方法は教師付き学習に依存しており、病気データを収集したり、ネットワークトレーニングのために空間ラベルに注釈を付けることで、その実施を妨げている。
本稿では,コンピュータ支援診断のための深層ニューラルネットワークを用いた仮想多視点投影法と,教師なし異常検出のための再構成法を提案する。
おそらくこれは、異常を含む3次元(3d)領域を特定する訓練のために、健康な患者からのデータのみを必要とする最初の方法である。
このメソッドには3つの重要な要素がある。
従来のctスライスをネットワーク入力として使用する既存のコンピュータ支援診断ツールと異なり,提案手法である。
1) 抽出した3次元肺領域を仮想的に投影し, 多様な視点から二次元(2次元)画像を取得し, ネットワーク入力として機能することにより, 3次元肺構造の認識を改善する。
2)入力多様性ゲインを正確な異常検出に適合させ,
3) 複数の2次元異常マップを用いた新しい3次元マップ復元手法により,3次元異常/異常の局所化を実現する。
非教師付き学習に基づく提案手法は,教師付き学習に基づく金本位制と比較し,患者レベルの異常検出を10%(曲線下領域0.959)で改善し,異常領域を93%の精度でローカライズし,高い性能を示す。
関連論文リスト
- Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳（メタデータ） (2021-03-30T10:38:01Z) - Automated 3D cephalometric landmark identification using computerized
tomography [1.4349468613117398]
頭蓋骨の形状を代用する3次元頭蓋骨計測のランドマークの同定は、頭蓋骨計測の基本的なステップである。
近年,ディープラーニング(dl)を用いた2次元頭部画像の自動ランドマーク作成が大きな成功を収めているが,80以上のランドマークに対する3次元ランドマークは,まだ満足のいくレベルには達していない。
本論文では,匿名化されたランドマークデータセットと対のCTデータを取り除いた,半教師付き3次元ランドマーク用DL法を提案する。
論文 参考訳（メタデータ） (2020-12-16T07:29:32Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
本稿では,異常検出のための自己教師付き学習手法を提案する。
私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。
試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
論文 参考訳（メタデータ） (2020-11-10T22:21:48Z) - Deep Volumetric Universal Lesion Detection using Light-Weight Pseudo 3D
Convolution and Surface Point Regression [23.916776570010285]
コンピュータ支援型病変/重要なフィンディング検出技術は、医療画像の核心にある。
そこで本研究では,(1) P3DC演算子を組み込んだ深層アンカーフリーワンステージVULDフレームワークを提案する。
3次元病変の空間範囲を効果的に抑圧する新しいSPR法は、その代表的キーポイントを病変表面にピンポイントすることで実現される。
論文 参考訳（メタデータ） (2020-08-30T19:42:06Z) - Keypoints Localization for Joint Vertebra Detection and Fracture
Severity Quantification [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
我々は同時に個々の椎骨を検出し、2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2020-05-25T08:05:27Z) - Volumetric landmark detection with a multi-scale shift equivariant
neural network [16.114319747246334]
本稿では,3次元画像における高速かつメモリ効率の高いランドマーク検出を実現するマルチスケールのエンドツーエンドディープラーニング手法を提案する。
今回我々は,263個のCT上における頸動脈分岐検出法について検討し,平均ユークリッド距離2.81mmで最先端の精度を実現した。
論文 参考訳（メタデータ） (2020-03-03T17:06:19Z)
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。