論文の概要: Dual-distribution discrepancy with self-supervised refinement for anomaly detection in medical images

• arxiv url: http://arxiv.org/abs/2210.04227v1
• Date: Sun, 9 Oct 2022 11:18:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 17:39:56.838732
• Title: Dual-distribution discrepancy with self-supervised refinement for anomaly detection in medical images
• Title（参考訳）: 医用画像における異常検出のための自己監督的改善を伴う二重分布差
• Authors: Yu Cai, Hao Chen, Xin Yang, Yu Zhou, Kwang-Ting Cheng
• Abstract要約: 本稿では,異常検出のためのDual-distribution Discrepancy(DDAD)を提案する。 評価のために、胸部X線、脳MRI、網膜基底画像を含む5つの医療データセットをベンチマークとして整理する。 これらのベンチマーク実験は,本手法が有意な向上を達成し,最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 29.57501199670898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical anomaly detection is a crucial yet challenging task aiming at recognizing abnormal images to assist diagnosis. Due to the high-cost annotations of abnormal images, most methods utilize only known normal images during training and identify samples not conforming to the normal profile as anomalies in the testing phase. A large number of readily available unlabeled images containing anomalies are thus ignored in the training phase, restricting their performance. To solve this problem, we propose the Dual-distribution Discrepancy for Anomaly Detection (DDAD), utilizing both known normal images and unlabeled images. Two modules are designed to model the normative distribution of normal images and the unknown distribution of both normal and unlabeled images, respectively, using ensembles of reconstruction networks. Subsequently, intra-discrepancy of the normative distribution module, and inter-discrepancy between the two modules are designed as anomaly scores. Furthermore, an Anormal Score Refinement Net (ASR-Net) trained via self-supervised learning is proposed to refine the two anomaly scores. For evaluation, five medical datasets including chest X-rays, brain MRIs and retinal fundus images are organized as benchmarks. Experiments on these benchmarks demonstrate our method achieves significant gains and outperforms state-of-the-art methods. Code and organized benchmarks will be available at https://github.com/caiyu6666/DDAD-ASR
• Abstract（参考訳）: 医学的異常検出は、診断を支援するために異常画像を認識することを目的とした重要な課題である。 異常画像の高コストアノテーションのため、ほとんどの方法はトレーニング中に既知の正常画像のみを使用し、テストフェーズで正常プロファイルに適合しないサンプルを異常として識別する。 これにより、トレーニング段階では、異常を含むラベル付けされていない多数の画像が無視され、その性能が制限される。 そこで本研究では,正規画像とラベルなし画像の両方を利用したDual-Distribution Discrepancy for Anomaly Detection (DDAD)を提案する。 2つのモジュールは、正規画像の規範分布と、正規画像と未ラベル画像の未知分布を、再構成ネットワークのアンサンブルを用いてモデル化する。 その後、正規分布モジュールの偏差と2つのモジュール間の偏差を異常スコアとして設計する。 さらに, 自己教師付き学習により訓練された非正規得点改善ネット(asr-net)を提案し, 2つの異常スコアを洗練する。 評価のために、胸部X線、脳MRI、網膜基底画像を含む5つの医療データセットをベンチマークとして整理する。 これらのベンチマーク実験により,本手法は精度が高く,最先端手法よりも優れていた。 コードと組織化されたベンチマークはhttps://github.com/caiyu6666/DDAD-ASRで公開される。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• 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)
• 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)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
  異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。 医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。 提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
  論文  参考訳（メタデータ） (2023-10-10T08:44:47Z)
• AMAE: Adaptation of Pre-Trained Masked Autoencoder for Dual-Distribution Anomaly Detection in Chest X-Rays [17.91123470181453]
  我々は、事前訓練されたマスク付きオートエンコーダ(MAE)の適応のための2段階アルゴリズムであるAMAEを提案する。 AMAEは、競合する自己監督型および二重分布異常検出法よりも一貫した性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-07-24T12:03:50Z)
• Dual-Distribution Discrepancy for Anomaly Detection in Chest X-Rays [29.57501199670898]
  本稿では, 正規画像とラベルなし画像の両方を利用した新しい手法であるDual-Distribution Disrepancy for Anomaly Detection (DDAD)を提案する。 3つのCXRデータセットの実験により、提案されたDDADが一貫した重要なゲインを達成し、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-08T14:52:27Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
  UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。 異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。 本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-03-05T01:56:58Z)
• Unsupervised Anomaly Detection and Localisation with Multi-scale Interpolated Gaussian Descriptors [31.02818044068126]
  2つの問題に対処するために,教師なしの異常検出と局所化手法を提案する。 本稿では,正規画像の低表示クラスに対して頑健な正規画像分布推定手法を提案する。 また,マルチスケール構造および非構造的異常を正確に検出・局在化可能な新しい異常識別基準を提案する。
  論文  参考訳（メタデータ） (2021-01-25T12:38:51Z)
• 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。