論文の概要: Cross Attention Transformers for Multi-modal Unsupervised Whole-Body PET Anomaly Detection

• arxiv url: http://arxiv.org/abs/2304.07147v1
• Date: Fri, 14 Apr 2023 14:15:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 13:17:12.507035
• Title: Cross Attention Transformers for Multi-modal Unsupervised Whole-Body PET Anomaly Detection
• Title（参考訳）: マルチモーダル非教師付き全体PET異常検出用クロスアテンショントランス
• Authors: Ashay Patel, Petru-Danial Tudiosu, Walter H.L. Pinaya, Gary Cook, Vicky Goh, Sebastien Ourselin, M. Jorge Cardoso
• Abstract要約: 18F-フルオロデオキシグルコース(18F-fluorodeoxyglucose)は、がんを検出するために一般的に用いられる画像モダリティである。 汎用的識別性癌検出モデルの訓練は困難である。 教師なし異常検出モデルは仮定解として提案されている。
• 参考スコア（独自算出の注目度）: 1.0098107825681861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer is a highly heterogeneous condition that can occur almost anywhere in the human body. 18F-fluorodeoxyglucose is an imaging modality commonly used to detect cancer due to its high sensitivity and clear visualisation of the pattern of metabolic activity. Nonetheless, as cancer is highly heterogeneous, it is challenging to train general-purpose discriminative cancer detection models, with data availability and disease complexity often cited as a limiting factor. Unsupervised anomaly detection models have been suggested as a putative solution. These models learn a healthy representation of tissue and detect cancer by predicting deviations from the healthy norm, which requires models capable of accurately learning long-range interactions between organs and their imaging patterns with high levels of expressivity. Such characteristics are suitably satisfied by transformers, which have been shown to generate state-of-the-art results in unsupervised anomaly detection by training on normal data. This work expands upon such approaches by introducing multi-modal conditioning of the transformer via cross-attention i.e. supplying anatomical reference from paired CT. Using 294 whole-body PET/CT samples, we show that our anomaly detection method is robust and capable of achieving accurate cancer localization results even in cases where normal training data is unavailable. In addition, we show the efficacy of this approach on out-of-sample data showcasing the generalizability of this approach with limited training data. Lastly, we propose to combine model uncertainty with a new kernel density estimation approach, and show that it provides clinically and statistically significant improvements when compared to the classic residual-based anomaly maps. Overall, a superior performance is demonstrated against leading state-of-the-art alternatives, drawing attention to the potential of these approaches.
• Abstract（参考訳）: 癌は非常に異質な状態であり、ヒトの体内でほぼどこでも起こる。 18F-フルオロデオキシグルコース(18F-fluorodeoxyglucose)は、高い感度と代謝活性の明確な可視化により、がんを検出するために一般的に用いられる画像モダリティである。 それにもかかわらず、がんは非常に異種であるため、データ可用性と疾患の複雑さが制限要因としてしばしば挙げられる、汎用的な判別型がん検出モデルを訓練することは困難である。 教師なし異常検出モデルは仮定解として提案されている。 これらのモデルは組織を健全に表現し、健康な規範からの逸脱を予測することによってがんを検出する。 このような特性は、通常データでのトレーニングによって教師なし異常検出を行う最先端の結果を生成するトランスフォーマによって適切に満たされている。 本研究は, 対CTから解剖学的基準を提供するクロスアテンションにより, トランスフォーマーのマルチモーダルコンディショニングを導入することにより, そのアプローチを拡大する。 294例のPET/CT検体を用いて, 正常な訓練データがない場合でも, 異常検出法は頑健であり, 正確な癌局所化結果が得られることを示した。 さらに,本手法の汎用性を示すサンプル外データに対して,限られたトレーニングデータを用いた手法の有効性を示す。 最後に,新しいカーネル密度推定手法とモデル不確かさを組み合わせることを提案し,従来の残差に基づく異常マップと比較して臨床的,統計的に有意な改善をもたらすことを示す。 全体として、最先端の代替案に対して優れた性能を示し、これらのアプローチの可能性に注意を向けている。

関連論文リスト

• Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
  CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
  論文  参考訳（メタデータ） (2024-10-05T02:13:57Z)
• Pancreatic Tumor Segmentation as Anomaly Detection in CT Images Using Denoising Diffusion Models [4.931603088067152]
  本研究は, 膵腫瘍検出に対する新しいアプローチとして, デノナイズ拡散法を用いて, 弱い監督異常検出を応用した手法を提案する。 本手法は, 複雑なトレーニングプロトコルやセグメンテーションマスクを必要とせずに, 画像のシームレスな翻訳を可能にする。 本研究は, 膵癌の生存率の低さを認識し, 医療セグメント化作業における拡散モデルの効率を活用するための継続的な研究の必要性を強調した。
  論文  参考訳（メタデータ） (2024-06-04T16:38:11Z)
• 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)
• 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)
• AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection [34.007468043336274]
  健全な解剖学の詳細を学習し,高解像度画像の再構成を行うために,ロバストな塗装モデルを提案する。 また,腫瘍を自動的に検出し,その外観を健康な解剖学に置き換えるオートインペインティングパイプラインを提案し,そのセグメントに基づいて腫瘍の体積を推定した。
  論文  参考訳（メタデータ） (2023-05-21T05:45:38Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Image Synthesis as a Pretext for Unsupervised Histopathological Diagnosis [3.7692411550925673]
  視覚データの異常検出は、正常な症例と異常な外観を区別する問題を指す。 近年のディープジェネレーティブモデルの発展は、監視されていない異常検出への適用への関心を喚起している。
  論文  参考訳（メタデータ） (2021-04-28T14:37:23Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)

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。