Fugu-MT 論文翻訳(概要): Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly Detection

論文の概要: Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly Detection

arxiv url: http://arxiv.org/abs/2303.08452v1
Date: Wed, 15 Mar 2023 08:54:20 GMT
ステータス: 処理完了
システム内更新日: 2023-03-16 14:30:41.420344
Title: Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly Detection
Title（参考訳）: 異常検出のための擬似健康生成ネットワークの逆転
Authors: Cosmin I Bercea and Benedikt Wiestler and Daniel Rueckert and Julia A Schnabel
Abstract要約: PHANES(Pseudo Healthy Generative Network for Anomaly)と呼ばれる新しい教師なしアプローチを導入する。本手法は, 異常を回復し, 健康な組織を保存し, 異常領域を偽の健康再建に置き換える機能を有する。我々は、T1w脳MRIデータセットの脳梗塞検出におけるPHANESの有効性を実証し、最先端(SOTA)法よりも大幅に改善したことを示す。
参考スコア（独自算出の注目度）: 8.737589725372398
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Early and accurate disease detection is crucial for patient management and successful treatment outcomes. However, the automatic identification of anomalies in medical images can be challenging. Conventional methods rely on large labeled datasets which are difficult to obtain. To overcome these limitations, we introduce a novel unsupervised approach, called PHANES (Pseudo Healthy generative networks for ANomaly Segmentation). Our method has the capability of reversing anomalies, i.e., preserving healthy tissue and replacing anomalous regions with pseudo-healthy (PH) reconstructions. Unlike recent diffusion models, our method does not rely on a learned noise distribution nor does it introduce random alterations to the entire image. Instead, we use latent generative networks to create masks around possible anomalies, which are refined using inpainting generative networks. We demonstrate the effectiveness of PHANES in detecting stroke lesions in T1w brain MRI datasets and show significant improvements over state-of-the-art (SOTA) methods. We believe that our proposed framework will open new avenues for interpretable, fast, and accurate anomaly segmentation with the potential to support various clinical-oriented downstream tasks.
Abstract（参考訳）: 早期かつ正確な疾患検出は患者の管理と治療の成功に不可欠である。しかし, 医用画像における異常の自動識別は困難である。従来の方法は、取得が難しい大きなラベル付きデータセットに依存している。これらの制約を克服するために,我々はPHANES(Pseudo Healthy Generative Network for Anomaly Segmentation)と呼ばれる新しい教師なしアプローチを導入する。本手法は, 正常な組織を保存し, 異常領域を疑似健康(ph)再構成に置き換える, 異常を逆転する能力を有する。近年の拡散モデルとは異なり,本手法は学習した雑音分布に頼らず,画像全体にランダムな変化を導入しない。代わりに、潜在的な生成ネットワークを使用して、可能性のある異常の周りにマスクを作成します。我々は、T1w脳MRIデータセットの脳梗塞検出におけるPHANESの有効性を実証し、最先端(SOTA)法よりも大幅に改善したことを示す。提案するフレームワークは, 解釈可能, 高速, 正確な異常分割のための新しい道を開き, 臨床指向のダウンストリームタスクをサポートする可能性を秘めている。

関連論文リスト

Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
論文参考訳（メタデータ） (2024-06-04T16:47:47Z)
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)
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)
Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文参考訳（メタデータ） (2023-08-03T21:56:50Z)
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)
Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文参考訳（メタデータ） (2022-11-12T23:28:54Z)
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)
Progressive GANomaly: Anomaly detection with progressively growing GANs [0.08122270502556374]
異常検出(英: Anomaly detection)とは、正常なデータのみをトレーニングしながら、目に見えない異常なデータを検出できる方法である。本稿では, 既存手法であるGANomalyと, 段階的に成長するGANを組み合わせることで, 新たな手法を提案する。本手法はFashion MNIST, Medical Out-of-Distribution Analysis Challenge (MOOD), in-house brain MRIを用いて検討した。
論文参考訳（メタデータ） (2022-06-08T13:13:01Z)
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)
Unsupervised Lesion Detection via Image Restoration with a Normative Prior [6.495883501989547]
本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
論文参考訳（メタデータ） (2020-04-30T18:03:18Z)
Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文参考訳（メタデータ） (2020-01-18T03:35:05Z)

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。