Fugu-MT 論文翻訳(概要): The role of noise in denoising models for anomaly detection in medical images

論文の概要: The role of noise in denoising models for anomaly detection in medical images

arxiv url: http://arxiv.org/abs/2301.08330v1
Date: Thu, 19 Jan 2023 21:39:38 GMT
ステータス: 処理完了
システム内更新日: 2023-01-23 14:05:08.133493
Title: The role of noise in denoising models for anomaly detection in medical images
Title（参考訳）: 医用画像における異常検出モデルにおける雑音の役割
Authors: Antanas Kascenas, Pedro Sanchez, Patrick Schrempf, Chaoyang Wang, William Clackett, Shadia S. Mikhael, Jeremy P. Voisey, Keith Goatman, Alexander Weir, Nicolas Pugeault, Sotirios A. Tsaftaris, Alison Q. O'Neil
Abstract要約: 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。
参考スコア（独自算出の注目度）: 62.0532151156057
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pathological brain lesions exhibit diverse appearance in brain images, in terms of intensity, texture, shape, size, and location. Comprehensive sets of data and annotations are difficult to acquire. Therefore, unsupervised anomaly detection approaches have been proposed using only normal data for training, with the aim of detecting outlier anomalous voxels at test time. Denoising methods, for instance classical denoising autoencoders (DAEs) and more recently emerging diffusion models, are a promising approach, however naive application of pixelwise noise leads to poor anomaly detection performance. We show that optimization of the spatial resolution and magnitude of the noise improves the performance of different model training regimes, with similar noise parameter adjustments giving good performance for both DAEs and diffusion models. Visual inspection of the reconstructions suggests that the training noise influences the trade-off between the extent of the detail that is reconstructed and the extent of erasure of anomalies, both of which contribute to better anomaly detection performance. We validate our findings on two real-world datasets (tumor detection in brain MRI and hemorrhage/ischemia/tumor detection in brain CT), showing good detection on diverse anomaly appearances. Overall, we find that a DAE trained with coarse noise is a fast and simple method that gives state-of-the-art accuracy. Diffusion models applied to anomaly detection are as yet in their infancy and provide a promising avenue for further research.
Abstract（参考訳）: 病理脳病変は、強度、テクスチャ、形状、大きさ、位置の点で、脳画像に多様な外観を示す。包括的なデータとアノテーションのセットを取得するのは難しい。そのため, 通常のデータのみを用いて異常検出手法が提案されており, 試験時間における異常ボクセルの異常検出が目的である。デノージング手法、例えば古典的デノージングオートエンコーダ(daes)やより最近の拡散モデルは有望なアプローチであるが、ピクセルワイズノイズのナイーブな適用は異常検出性能を低下させる。空間分解能と雑音の大きさの最適化は,daesモデルと拡散モデルの両方に良好な性能を与える同様の雑音パラメータ調整により,異なるモデル訓練環境の性能を向上させる。再建の視覚的検査は, 再建されたディテールの程度と異常の程度とのトレードオフに影響を与えることを示唆しており, どちらも異常検出性能の向上に寄与している。我々は,脳MRIにおける腫瘍検出と,脳CTにおける出血・虚血・腫瘍検出の2つの実世界のデータセットについて検討した。全体として、粗い雑音で訓練されたDAEは、最先端の精度を提供する高速で単純な方法であることがわかった。異常検出に適用された拡散モデルは、まだ初期段階であり、さらなる研究のための有望な道を提供する。

関連論文リスト

Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
論文参考訳（メタデータ） (2024-11-06T15:43:51Z)
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)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [36.79912410985013]
拡散モデル(diffusion model)は、再構成忠実度に大きな可能性を示す、深層生成モデルの新たなクラスである。雑音のない入力画像の潜在表現から得られる画像の再構成のために,拡散モデルのデノナイズ機構を画像に関する追加情報で条件付けることを提案する。この条件付けにより、入力-再構成ペアの局所強度特性を整列させながら、健康な脳構造を高忠実に再構築することができる。
論文参考訳（メタデータ） (2023-12-07T11:03:42Z)
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)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
論文参考訳（メタデータ） (2023-06-12T21:53:32Z)
Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
論文参考訳（メタデータ） (2022-12-20T00:33:11Z)
MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
論文参考訳（メタデータ） (2022-03-23T10:35:06Z)
Diffusion Models for Medical Anomaly Detection [0.8999666725996974]
本稿では,拡散暗黙的モデルに基づく弱教師付き異常検出手法を提案する。本手法は,複雑な訓練手順を必要とせずに,非常に詳細な異常マップを生成する。
論文参考訳（メタデータ） (2022-03-08T12:35:07Z)

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。