論文の概要: Dissolving Is Amplifying: Towards Fine-Grained Anomaly Detection
- arxiv url: http://arxiv.org/abs/2302.14696v2
- Date: Fri, 15 Dec 2023 22:53:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 02:50:34.856808
- Title: Dissolving Is Amplifying: Towards Fine-Grained Anomaly Detection
- Title(参考訳): 溶解は増幅する:細粒度異常検出に向けて
- Authors: Jian Shi, Pengyi Zhang, Ni Zhang, Hakim Ghazzai, Peter Wonka
- Abstract要約: 生成拡散モデルは特徴を意識し、特定の方法で医療画像に適用することで、腫瘍や出血などの微細な識別特性を除去または低減することができる。
本稿では,医用画像の意味的に意味のある表現を自己指導的に学習するための,コントラスト学習に基づくテキスト増幅フレームワークを提案する。
DIAは、ベースライン法に対して約18.40%のAUCで医療異常検出性能を著しく改善し、他のベンチマーク法に対して全体的なSOTAを達成する。
- 参考スコア(独自算出の注目度): 46.171309673071256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce \textit{DIA}, dissolving is amplifying. DIA is a
fine-grained anomaly detection framework for medical images. We describe two
novel components in the paper. First, we introduce \textit{dissolving
transformations}. Our main observation is that generative diffusion models are
feature-aware and applying them to medical images in a certain manner can
remove or diminish fine-grained discriminative features such as tumors or
hemorrhaging. Second, we introduce an \textit{amplifying framework} based on
contrastive learning to learn a semantically meaningful representation of
medical images in a self-supervised manner. The amplifying framework contrasts
additional pairs of images with and without dissolving transformations applied
and thereby boosts the learning of fine-grained feature representations. DIA
significantly improves the medical anomaly detection performance with around
18.40\% AUC boost against the baseline method and achieves an overall SOTA
against other benchmark methods. Our code is available at
\url{https://github.com/shijianjian/DIA.git}
- Abstract(参考訳): 本稿では, 溶解が増幅される「textit{DIA}」を紹介する。
DIAは医療画像の微細な異常検出フレームワークである。
本論文では2つの新しい要素について述べる。
まず、 \textit{dissolving transformations} を導入する。
我々は,生成拡散モデルが特徴量認識であり,それを医用画像に適用することで,腫瘍や出血などの細粒度の識別的特徴を除去あるいは減少させることができることを主に観察した。
次に,医療画像の意味的に意味のある表現を自己教師ありで学習するために,コントラスト学習に基づく \textit{amplifying framework} を導入する。
増幅フレームワークは、適用された変換を解消することなく追加画像対を対比することにより、きめ細かい特徴表現の学習を促進する。
DIAは、AUCがベースライン法に対して約18.40倍の精度で医療異常検出性能を向上し、他のベンチマーク法に対して全体的なSOTAを達成する。
我々のコードは \url{https://github.com/shijianjian/DIA.git} で入手できる。
関連論文リスト
- 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) - Overcoming Dimensional Collapse in Self-supervised Contrastive Learning
for Medical Image Segmentation [2.6764957223405657]
医用画像解析分野へのコントラスト学習の適用について検討する。
以上の結果から,最先端のコントラスト学習手法であるMoCo v2は,医用画像に適用すると次元的崩壊に遭遇することが明らかとなった。
これを解決するために,局所的な特徴学習と特徴デコレーションという2つの重要な貢献を提案する。
論文 参考訳(メタデータ) (2024-02-22T15:02:13Z) - Dual Structure-Aware Image Filterings for Semi-supervised Medical Image Segmentation [11.663088388838073]
半教師付き医用画像分割のための画像レベルのバリエーションとして,新しい二重構造対応画像フィルタリング(DSAIF)を提案する。
構造を意識したツリーベース画像表現において, 画像のフィルタリングを簡略化するコネクテッドフィルタリングにより, 二重コントラスト不変の Max-tree と Min-tree の表現を利用する。
提案したDSAIFを相互に教師付きネットワークに適用することにより、ラベルなし画像上の誤った予測のコンセンサスを減少させる。
論文 参考訳(メタデータ) (2023-12-12T13:44:53Z) - Contrastive Denoising Score for Text-guided Latent Diffusion Image Editing [58.48890547818074]
潜在拡散モデル(LDM)に対するコントラストデノナイジングスコア(CUT)の強力な修正を提案する。
提案手法により,ゼロショット画像から画像への変換とニューラルフィールド(NeRF)の編集が可能となり,入力と出力の間の構造的対応が達成される。
論文 参考訳(メタデータ) (2023-11-30T15:06:10Z) - Chili Pepper Disease Diagnosis via Image Reconstruction Using GrabCut
and Generative Adversarial Serial Autoencoder [0.0]
疾患診断は異常検出の分野に属し、植物または果実が正常であるか異常であるかを識別することを目的としている。
画像生成性能の限界により、SOTAの手法は潜在ベクトル誤差を用いたスコア計算法を提案する。
本稿では,GAN構造を用いて有意義な画像を生成する手法を提案し,その3つの結果を1つの判別器で同時に分類する。
論文 参考訳(メタデータ) (2023-06-21T06:58:46Z) - Uncovering the Disentanglement Capability in Text-to-Image Diffusion
Models [60.63556257324894]
画像生成モデルの重要な特性は、異なる属性をアンタングルする能力である。
本稿では,2つのテキスト埋め込みの混合重みをスタイルマッチングとコンテンツ保存に最適化した,シンプルで軽量な画像編集アルゴリズムを提案する。
実験により,提案手法は拡散モデルに基づく画像編集アルゴリズムよりも優れた性能で,幅広い属性を修正可能であることが示された。
論文 参考訳(メタデータ) (2022-12-16T19:58:52Z) - HealthyGAN: Learning from Unannotated Medical Images to Detect Anomalies
Associated with Human Disease [13.827062843105365]
現在の医療画像学における典型的な手法は、健康な被験者のみから診断モデルを導出することに集中している。
HealthyGANは、混合データセットから正常な画像のみに変換することを学習する。
1方向であるHealthyGANは、既存の未ペア画像から画像への変換方法のサイクル一貫性の要求を緩和する。
論文 参考訳(メタデータ) (2022-09-05T08:10:52Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳(メタデータ) (2022-08-05T18:52:20Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳(メタデータ) (2022-01-29T13:45:39Z) - Combining Similarity and Adversarial Learning to Generate Visual
Explanation: Application to Medical Image Classification [0.0]
学習フレームワークを活用して視覚的説明法を作成する。
文献のメトリクスを用いることで,この手法は最先端のアプローチよりも優れています。
大規模な胸部X線データベース上でのアプローチを検証する。
論文 参考訳(メタデータ) (2020-12-14T08:34:12Z)
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。