論文の概要: Learning shape distributions from large databases of healthy organs: applications to zero-shot and few-shot abnormal pancreas detection

• arxiv url: http://arxiv.org/abs/2210.12095v1
• Date: Fri, 21 Oct 2022 16:39:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 15:30:20.743207
• Title: Learning shape distributions from large databases of healthy organs: applications to zero-shot and few-shot abnormal pancreas detection
• Title（参考訳）: 健康な臓器の大規模データベースからの学習形状分布:ゼロショットおよび少数ショット異常膵検出への応用
• Authors: Rebeca V\'etil, Cl\'ement Abi Nader, Alexandre B\^one, Marie-Pierre Vullierme, Marc-Michel Rohe\'e, Pietro Gori, Isabelle Bloch
• Abstract要約: 健康臓器の大規模データベースから形状分布を学習するための,スケーラブルでデータ駆動型アプローチを提案する。 得られた潜在形状表現は、異常な形状検出のためのゼロショット法と少数ショット法を導出するために活用される。
• 参考スコア（独自算出の注目度）: 56.4729555813972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a scalable and data-driven approach to learn shape distributions from large databases of healthy organs. To do so, volumetric segmentation masks are embedded into a common probabilistic shape space that is learned with a variational auto-encoding network. The resulting latent shape representations are leveraged to derive zeroshot and few-shot methods for abnormal shape detection. The proposed distribution learning approach is illustrated on a large database of 1200 healthy pancreas shapes. Downstream qualitative and quantitative experiments are conducted on a separate test set of 224 pancreas from patients with mixed conditions. The abnormal pancreas detection AUC reached up to 65.41% in the zero-shot configuration, and 78.97% in the few-shot configuration with as few as 15 abnormal examples, outperforming a baseline approach based on the sole volume.
• Abstract（参考訳）: 健康臓器の大規模データベースから形状分布を学習するための,スケーラブルでデータ駆動型アプローチを提案する。 そのため、ボリュームセグメンテーションマスクは、変分自動符号化ネットワークで学習される共通の確率的形状空間に埋め込まれる。 得られた潜在形状表現は、異常な形状検出のためのゼロショット法と少数ショット法を導出するために活用される。 提案する分布学習手法は,1200個の健康な膵形状の大規模データベース上に示される。 混合状態の患者から224個の膵を分離して, 下流の質的, 定量的な実験を行った。 異常膵検出aucは、ゼロショット構成では65.41%、ノベルショット構成では78.97%、異常例は15例に満たず、単独ボリュームに基づくベースラインアプローチを上回った。

関連論文リスト

• Interpretable pap smear cell representation for cervical cancer screening [3.8656297418166305]
  変分オートエンコーダを用いた1クラス分類に基づいて, 乳頭スミア画像の深部頸部細胞表現を学習する手法を提案する。 我々のモデルは、深層モデルの付加的な訓練を必要とせずに、異常を識別することができる。
  論文  参考訳（メタデータ） (2023-11-17T01:29:16Z)
• 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)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Single volume lung biomechanics from chest computed tomography using a mode preserving generative adversarial network [10.406580531987418]
  単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。 提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。 提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
  論文  参考訳（メタデータ） (2021-10-15T06:17:52Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation [31.396372591714695]
  unsupervised anomaly segmentation (UAS) は医療画像コミュニティにおいて有望な分野である。 本稿では,健康データ分布のモデル化過程における健康な解剖学の意味空間について紹介する。 BraTSとISLESデータベースの実験結果は、提案されたアプローチが大幅に優れたパフォーマンスを達成することを示しています。
  論文  参考訳（メタデータ） (2021-03-16T14:15:30Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• 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)
• Few-Shot Anomaly Detection for Polyp Frames from Colonoscopy [20.23118616722365]
  特徴埋め込みと正規画像の相互情報を最大化するために訓練されたエンコーダに基づく,新しい数発の異常検出手法を提案する。 大腸内視鏡画像からポリープを含むフレームを検出する際の臨床的問題点について検討した。
  論文  参考訳（メタデータ） (2020-06-26T06:08:46Z)

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。