論文の概要: Brainomaly: Unsupervised Neurologic Disease Detection Utilizing
Unannotated T1-weighted Brain MR Images
- arxiv url: http://arxiv.org/abs/2302.09200v1
- Date: Sat, 18 Feb 2023 00:42:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 20:01:06.207766
- Title: Brainomaly: Unsupervised Neurologic Disease Detection Utilizing
Unannotated T1-weighted Brain MR Images
- Title（参考訳）: 脳腫瘍:T1強調画像を用いた無監督神経疾患検出
- Authors: Md Mahfuzur Rahman Siddiquee, Jay Shah, Teresa Wu, Catherine Chong,
Todd J. Schwedt, Gina Dumkrieger, Simona Nikolova, Baoxin Li
- Abstract要約: 我々は,無注釈T1強調脳MRIを用いた神経疾患検出のためのGANを用いた画像・画像変換法であるBrainomalyを提案する。
脳腫瘍は、入力された脳MRIから疾患領域を除去し、対応する健康な脳のMRIを生成するように訓練されている。
私たちの脳腫瘍は、最先端の手法を大きなマージンで上回ります。
- 参考スコア（独自算出の注目度）: 13.16680396945852
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep neural networks have revolutionized the field of supervised learning by
enabling accurate predictions through learning from large annotated datasets.
However, acquiring large annotated medical imaging datasets is a challenging
task, especially for rare diseases, due to the high cost, time, and effort
required for annotation. In these scenarios, unsupervised disease detection
methods, such as anomaly detection, can save significant human effort. A
typically used approach for anomaly detection is to learn the images from
healthy subjects only, assuming the model will detect the images from diseased
subjects as outliers. However, in many real-world scenarios, unannotated
datasets with a mix of healthy and diseased individuals are available. Recent
studies have shown improvement in unsupervised disease/anomaly detection using
such datasets of unannotated images from healthy and diseased individuals
compared to datasets that only include images from healthy individuals. A major
issue remains unaddressed in these studies, which is selecting the best model
for inference from a set of trained models without annotated samples. To
address this issue, we propose Brainomaly, a GAN-based image-to-image
translation method for neurologic disease detection using unannotated
T1-weighted brain MRIs of individuals with neurologic diseases and healthy
subjects. Brainomaly is trained to remove the diseased regions from the input
brain MRIs and generate MRIs of corresponding healthy brains. Instead of
generating the healthy images directly, Brainomaly generates an additive map
where each voxel indicates the amount of changes required to make the input
image look healthy. In addition, Brainomaly uses a pseudo-AUC metric for
inference model selection, which further improves the detection performance.
Our Brainomaly outperforms existing state-of-the-art methods by large margins.
- Abstract（参考訳）: ディープニューラルネットワークは、大規模な注釈付きデータセットから学習することで正確な予測を可能にすることによって、教師あり学習の分野に革命をもたらした。
しかし, 注釈付医用画像データセットの取得は, 特に稀な疾患において, アノテーションに要するコスト, 時間, 手間がかかるため, 困難な課題である。
これらのシナリオでは、異常検出のような教師なしの疾患検出手法は、人間の多大な労力を節約することができる。
異常検出に一般的に用いられるアプローチは、健康な被験者からのみ画像を学習することであり、モデルが病気の被験者の画像を異常値として検出すると仮定する。
しかし、多くの現実世界のシナリオでは、健全な個人と病人の混在した注釈のないデータセットが利用可能である。
近年の研究では、健常者および病人からの注釈なし画像のデータセットを用いて、健常者の画像のみを含むデータセットと比較して、教師なし疾患/異常検出の改善が示されている。
これらの研究では、注釈付きサンプルなしで訓練されたモデルの集合から推論のための最良のモデルを選択するという大きな問題が未解決のままである。
そこで我々は,神経疾患および健常者に対する無注釈T1強調脳MRIを用いた神経疾患検出のための,GANを用いた画像画像変換法であるBrainomalyを提案する。
脳腫瘍は、入力脳mriから疾患領域を取り除き、対応する健康な脳のmriを生成するように訓練されている。
健康な画像を直接生成する代わりに、Brainomalyは、入力画像を健全に見せるのに必要な変化量を示す付加的なマップを生成する。
さらに、Brainomalyは推論モデル選択に擬似AUCメトリックを使用し、検出性能をさらに向上する。
私たちの脳は、既存の最先端の手法を大きなマージンで上回っている。
関連論文リスト
- 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) - MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised
Anomaly Detection in Brain Images [40.89943932086941]
脳画像における教師なし異常検出のためのMasked Autoencoder-enhanced Diffusion Model (MAEDiff)を提案する。
MAEDiffは、階層的なパッチ分割を含む。上層パッチを重畳して健全なイメージを生成し、サブレベルパッチで動作するマスク付きオートエンコーダに基づくメカニズムを実装し、未通知領域の状態を高める。
論文 参考訳（メタデータ） (2024-01-19T08:54:54Z) - Leveraging healthy population variability in deep learning unsupervised
anomaly detection in brain FDG PET [0.0]
教師なし異常検出は、神経画像データの解析において一般的なアプローチである。
それは、被験者のイメージを異常を検出するために比較できる健康な外観の主題固有のモデルを構築することに依存している。
文献では、被験者の画像と擬似健康再構築の間の残像の分析に頼って異常検出を行うのが一般的である。
論文 参考訳（メタデータ） (2023-11-20T10:28:10Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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 Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - Unsupervised 3D Brain Anomaly Detection [0.0]
異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。
GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。
本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
論文 参考訳（メタデータ） (2020-10-09T17:59:17Z) - 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) - Visual Explanation for Identification of the Brain Bases for Dyslexia on
fMRI Data [13.701992590330395]
ネットワーク可視化技術を用いて、高レベルの特徴を学習するために必要な畳み込みニューラルネットワーク層において、分類された条件に対する専門家が支援する洞察に意味のあるイメージを提供することができることを示す。
以上の結果から,脳画像のみによる発達障害の正確な分類だけでなく,同時代の神経科学的知識と一致する特徴の自動可視化も可能となった。
論文 参考訳（メタデータ） (2020-07-17T22:11:30Z) - Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
本稿では,脳腫瘍の異常検出アルゴリズムを提案する。
健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
論文 参考訳（メタデータ） (2020-07-09T12:12:16Z)
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。