論文の概要: Interpretable Anomaly Detection in Echocardiograms with Dynamic
Variational Trajectory Models
- arxiv url: http://arxiv.org/abs/2206.15316v1
- Date: Thu, 30 Jun 2022 14:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 20:27:06.544692
- Title: Interpretable Anomaly Detection in Echocardiograms with Dynamic
Variational Trajectory Models
- Title(参考訳): 動的変動軌跡モデルを用いた心エコー図の解釈異常検出
- Authors: Alain Ryser, Laura Manduchi, Fabian Laumer, Holger Michel, Sven
Wellmann, Julia E. Vogt
- Abstract要約: 心エコービデオの新しい異常検出法を提案する。
心拍周期の周期的特性を利用して変動潜在軌道モデル(TVAE)の異なる変種を学習する。
これは、Ebstein's AnomalyやShonecomplexのような重度の先天性心不全を確実に識別する。
- 参考スコア(独自算出の注目度): 10.090411097156187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel anomaly detection method for echocardiogram videos. The
introduced method takes advantage of the periodic nature of the heart cycle to
learn different variants of a variational latent trajectory model (TVAE). The
models are trained on the healthy samples of an in-house dataset of infant
echocardiogram videos consisting of multiple chamber views to learn a normative
prior of the healthy population. During inference, maximum a posteriori (MAP)
based anomaly detection is performed to detect out-of-distribution samples in
our dataset. The proposed method reliably identifies severe congenital heart
defects, such as Ebstein's Anomaly or Shonecomplex. Moreover, it achieves
superior performance over MAP-based anomaly detection with standard variational
autoencoders on the task of detecting pulmonary hypertension and right
ventricular dilation. Finally, we demonstrate that the proposed method provides
interpretable explanations of its output through heatmaps which highlight the
regions corresponding to anomalous heart structures.
- Abstract(参考訳): 心エコービデオの新しい異常検出法を提案する。
導入された方法は、心周期の周期的性質を利用して、変分潜在軌道モデル(vbe)の異なる変種を学習する。
モデルは、健康な人口の規範を学ぶために、複数のチャンバービューからなる幼児心エコービデオの社内データセットの健全なサンプルに基づいて訓練される。
推定の際には,データセット内の分布外サンプルを検出するために,MAPに基づく最大異常検出を行う。
提案手法は、Ebstein's Anomaly やShonecomplex などの重症先天性心疾患を確実に同定する。
さらに,肺高血圧症や右室拡張症を検出する作業において,標準変分オートエンコーダを用いたMAPベースの異常検出よりも優れた性能を発揮する。
最後に,本手法は異常心構造に対応する領域を強調するヒートマップを用いて,その出力の解釈可能な説明を提供することを示す。
関連論文リスト
- Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。
生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。
本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。 生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
論文 参考訳(メタデータ) (2024-07-09T08:02:46Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳(メタデータ) (2024-06-11T17:27:23Z) - Diffusion Models with Implicit Guidance for Medical Anomaly Detection [13.161402789616004]
組織再生のための時間的調和 (THOR) は, 病態の影響を受けない領域における健全な組織の整合性を維持することを目的としている。
相対的な評価では、THORは、脳MRIと手首X線における異常の検出とセグメンテーションにおいて、既存の拡散に基づく手法を超越している。
論文 参考訳(メタデータ) (2024-03-13T12:26:55Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly
Detection [33.48389041651675]
心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。
希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。
本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
論文 参考訳(メタデータ) (2023-08-03T09:16:57Z) - Error correcting 2D-3D cascaded network for myocardial infarct scar
segmentation on late gadolinium enhancement cardiac magnetic resonance images [0.0]
完全自動で心筋梗塞の程度を計算できる2次元および3次元畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。
EMIDECチャレンジのトレーニングデータセットを用いて,提案手法を5倍のクロスバリデーションで評価し,評価した。
論文 参考訳(メタデータ) (2023-06-26T14:21:18Z) - 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) - Generative Myocardial Motion Tracking via Latent Space Exploration with
Biomechanics-informed Prior [16.129107206314043]
心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。
画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。
本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
論文 参考訳(メタデータ) (2022-06-08T12:02:00Z) - 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)
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。