論文の概要: EndoBoost: a plug-and-play module for false positive suppression during
computer-aided polyp detection in real-world colonoscopy (with dataset)
- arxiv url: http://arxiv.org/abs/2212.12204v1
- Date: Fri, 23 Dec 2022 08:34:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 16:18:34.579840
- Title: EndoBoost: a plug-and-play module for false positive suppression during
computer-aided polyp detection in real-world colonoscopy (with dataset)
- Title（参考訳）: EndoBoost:実世界の大腸内視鏡におけるコンピュータ支援ポリープ検出における偽陽性抑制のためのプラグアンドプレイモジュール(データセット)
- Authors: Haoran Wang, Yan Zhu, Wenzheng Qin, Yizhe Zhang, Pinghong Zhou,
Quanlin Li, Shuo Wang and Zhijian Song
- Abstract要約: 我々はFPPD-13データセットを公開し、実世界の大腸内視鏡におけるコンピュータ支援ポリプ検出において、典型的な偽陽性の分類学的および実世界のケースを提供する。
本稿では,ポストホックモジュールであるEndoBoostを汎用的なポリプ検出モデルにプラグインし,偽陽性予測をフィルタリングする手法を提案する。
- 参考スコア（独自算出の注目度）: 30.825060093220806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advance of computer-aided detection systems using deep learning opened a
new scope in endoscopic image analysis. However, the learning-based models
developed on closed datasets are susceptible to unknown anomalies in complex
clinical environments. In particular, the high false positive rate of polyp
detection remains a major challenge in clinical practice. In this work, we
release the FPPD-13 dataset, which provides a taxonomy and real-world cases of
typical false positives during computer-aided polyp detection in real-world
colonoscopy. We further propose a post-hoc module EndoBoost, which can be
plugged into generic polyp detection models to filter out false positive
predictions. This is realized by generative learning of the polyp manifold with
normalizing flows and rejecting false positives through density estimation.
Compared to supervised classification, this anomaly detection paradigm achieves
better data efficiency and robustness in open-world settings. Extensive
experiments demonstrate a promising false positive suppression in both
retrospective and prospective validation. In addition, the released dataset can
be used to perform 'stress' tests on established detection systems and
encourages further research toward robust and reliable computer-aided
endoscopic image analysis. The dataset and code will be publicly available at
http://endoboost.miccai.cloud.
- Abstract（参考訳）: 深層学習を用いたコンピュータ支援検出システムの進歩は,内視鏡画像解析における新たなスコープを開拓した。
しかし、クローズドデータセットで開発された学習ベースモデルは、複雑な臨床環境における未知の異常の影響を受けやすい。
特にポリープ検出の偽陽性率は臨床において依然として大きな課題である。
本研究では,fppd-13データセットをリリースし,実際の大腸内視鏡検査におけるコンピュータ支援ポリープ検出中に典型的な偽陽性の分類と実世界の事例を提供する。
さらに,ポリープ検出モデルに挿入して偽陽性予測をフィルタリングする,ポストホックモジュールのEndoBoostを提案する。
これは、ポリープ多様体の正規化フローによる生成学習と密度推定による偽陽性の否定によって実現される。
教師付き分類と比較して、この異常検出パラダイムは、オープンワールド環境でのデータ効率と堅牢性を向上させる。
広範な実験は、ふりかえりと将来の検証の両方において有望な偽陽性抑制を示している。
さらに、リリースされたデータセットは、確立された検出システムで「ストレス」テストを行うために使用することができ、堅牢で信頼性の高いコンピュータ支援内視鏡画像解析へのさらなる研究を奨励している。
データセットとコードはhttp://endoboost.miccai.cloud.comで公開される。
関連論文リスト
- Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。
その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
論文 参考訳（メタデータ） (2024-07-23T16:13:27Z) - ADer: A Comprehensive Benchmark for Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい異常検出手法のモジュラーフレームワークであるtextbftextitADerを提案する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Anomaly Detection in Automated Fibre Placement: Learning with Data
Limitations [3.103778949672542]
自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。
我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。
様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
論文 参考訳（メタデータ） (2023-07-15T22:13:36Z) - On the Universal Adversarial Perturbations for Efficient Data-free
Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。
実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文 参考訳（メタデータ） (2023-06-27T02:54:07Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - Automatic Polyp Segmentation with Multiple Kernel Dilated Convolution
Network [3.1374864575817214]
本研究では,自動ポリープセグメンテーションのための新しいディープラーニングアーキテクチャ,textbfMKDCNetを提案する。
4つの公開ポリプデータセットと細胞核データセットの実験は、提案されたMKDCNetが最先端の手法より優れていることを示している。
MKDCNetは、臨床大腸内視鏡のためのリアルタイムシステムを構築するための強力なベンチマークとなる。
論文 参考訳（メタデータ） (2022-06-13T15:47:38Z) - PolypConnect: Image inpainting for generating realistic gastrointestinal
tract images with polyps [1.7915968197912802]
下部消化管(GI)におけるポリープの早期同定は,致死性大腸癌の予防につながる可能性がある。
ポリープを検出するCADシステムは、検出精度と効率を改善し、エンドスコピストと呼ばれるドメインの専門家の時間を節約することができる。
本稿では,非ポリプ画像からポリプ画像に変換することにより,トレーニング用データセットのサイズを拡大するPolypConnectパイプラインを提案する。
論文 参考訳（メタデータ） (2022-05-30T20:20:19Z) - Assessing generalisability of deep learning-based polyp detection and
segmentation methods through a computer vision challenge [11.914243295893984]
ポリープは大腸内視鏡で同定されたよく知られたがん前駆体である。
大腸ポリープのサーベイランスと除去は、非常に操作性に依存した手順である。
大腸ポリープの欠失検出率と不完全除去率がある。
論文 参考訳（メタデータ） (2022-02-24T11:25:52Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳（メタデータ） (2021-11-17T13:30:31Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。