論文の概要: Region and Spatial Aware Anomaly Detection for Fundus Images

• arxiv url: http://arxiv.org/abs/2303.03817v1
• Date: Tue, 7 Mar 2023 11:33:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 15:41:51.841543
• Title: Region and Spatial Aware Anomaly Detection for Fundus Images
• Title（参考訳）: 眼底画像の局所的および空間的異常検出
• Authors: Jingqi Niu, Shiwen Dong, Qinji Yu, Kang Dang and Xiaowei Ding
• Abstract要約: 本研究では,基底画像に対する地域・空間認識異常検出(ReSAD)手法を提案する。 ReSADは局所領域と長距離空間情報を取得し、通常の構造における偽陽性を減らす。 提案手法は,2つの公開ベンチマークデータセット上で,既存のファンドス画像の異常検出方法よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.8374319565577157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently anomaly detection has drawn much attention in diagnosing ocular diseases. Most existing anomaly detection research in fundus images has relatively large anomaly scores in the salient retinal structures, such as blood vessels, optical cups and discs. In this paper, we propose a Region and Spatial Aware Anomaly Detection (ReSAD) method for fundus images, which obtains local region and long-range spatial information to reduce the false positives in the normal structure. ReSAD transfers a pre-trained model to extract the features of normal fundus images and applies the Region-and-Spatial-Aware feature Combination module (ReSC) for pixel-level features to build a memory bank. In the testing phase, ReSAD uses the memory bank to determine out-of-distribution samples as abnormalities. Our method significantly outperforms the existing anomaly detection methods for fundus images on two publicly benchmark datasets.
• Abstract（参考訳）: 近年,眼疾患の診断において異常検出が注目されている。 眼底画像における既存の異常検出研究のほとんどは、血管、光学カップ、円板などの網膜構造に比較的大きな異常点を有する。 本稿では, 局所領域と長距離空間情報を取得し, 正規構造における偽陽性を低減することを目的とした, 地底画像の領域認識異常検出(ReSAD)手法を提案する。 ReSADは、訓練済みのモデルを転送して、通常のファンドイメージの特徴を抽出し、Rerea-and-Spatial-Aware Feature Combination Module (ReSC)を適用して、メモリバンクを構築する。 テストフェーズでは、ReSADはメモリバンクを使用して配布外サンプルを異常として判定する。 提案手法は,2つの公開ベンチマークデータセット上で,既存のファンドス画像の異常検出方法よりも優れていた。

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)
• Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling [8.887775968482208]
  拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。 本稿では,Masked Diffusion Posterior Smpling (MDPS) という,新規かつ高解釈可能な手法を提案する。 MDPSは、異常検出や局所化と同様に、通常の画像再構成の品質において最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2024-04-27T13:13:27Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Weakly Supervised Anomaly Detection for Chest X-Ray Image [6.506869371228188]
  胸部X線検査のための弱教師付き異常検出フレームワークを提案する。 WSCXRは、まず、正常な特徴と異常な特徴のセットをそれぞれ構築する。 その後、異常特徴抽出により正常領域の特徴を排除し、異常画像の特徴を洗練する。
  論文  参考訳（メタデータ） (2023-11-16T07:53:34Z)
• 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)
• 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)
• Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
  ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。 本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。 2つの公開データセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-13T11:20:31Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。