論文の概要: Unsupervised anomaly localization in high-resolution breast scans using
deep pluralistic image completion
- arxiv url: http://arxiv.org/abs/2305.03098v1
- Date: Thu, 4 May 2023 18:28:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-08 16:25:01.119835
- Title: Unsupervised anomaly localization in high-resolution breast scans using
deep pluralistic image completion
- Title(参考訳): 深部多像像を用いた高分解能乳房スキャンにおける教師なし異常像定位
- Authors: Nicholas Konz, Haoyu Dong, Maciej A. Mazurowski
- Abstract要約: デジタル乳房共生(DBT)における腫瘍自動検出は, 天然腫瘍の出現率, 乳房組織の変化, 高分解能のため難しい課題である。
機械学習におけるほとんどの異常なローカライゼーション研究は、非医療的なデータセットに焦点を当てている。
- 参考スコア(独自算出の注目度): 3.1546633085502727
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated tumor detection in Digital Breast Tomosynthesis (DBT) is a
difficult task due to natural tumor rarity, breast tissue variability, and high
resolution. Given the scarcity of abnormal images and the abundance of normal
images for this problem, an anomaly detection/localization approach could be
well-suited. However, most anomaly localization research in machine learning
focuses on non-medical datasets, and we find that these methods fall short when
adapted to medical imaging datasets. The problem is alleviated when we solve
the task from the image completion perspective, in which the presence of
anomalies can be indicated by a discrepancy between the original appearance and
its auto-completion conditioned on the surroundings. However, there are often
many valid normal completions given the same surroundings, especially in the
DBT dataset, making this evaluation criterion less precise. To address such an
issue, we consider pluralistic image completion by exploring the distribution
of possible completions instead of generating fixed predictions. This is
achieved through our novel application of spatial dropout on the completion
network during inference time only, which requires no additional training cost
and is effective at generating diverse completions. We further propose minimum
completion distance (MCD), a new metric for detecting anomalies, thanks to
these stochastic completions. We provide theoretical as well as empirical
support for the superiority over existing methods of using the proposed method
for anomaly localization. On the DBT dataset, our model outperforms other
state-of-the-art methods by at least 10\% AUROC for pixel-level detection.
- Abstract(参考訳): デジタル乳房共生(DBT)における腫瘍自動検出は, 天然腫瘍の出現率, 乳房組織の変化, 高分解能により困難である。
異常画像の不足と正常画像の多さを考えると,異常検出・局所化アプローチが適している可能性がある。
しかし、機械学習におけるほとんどの異常なローカライゼーション研究は、非医療的データセットに焦点を当てており、医療画像データセットに適用した場合、これらの手法は不足している。
画像完成の観点から課題を解決した場合、その課題は、その本来の外観と周囲条件のオートコンプリートとの食い違いによって、異常の存在を示すことができる。
しかし、同じ環境、特にDBTデータセットにおいて、多くの有効な正規補完が存在するため、この評価基準はより正確ではない。
このような問題に対処するため,我々は,定型的な予測を生成するのではなく,可能な完了の分布を探索することで,多元的画像補完を考える。
これは、推論時間のみに空間的なドロップアウトを適用し、追加のトレーニングコストを必要とせず、多様な完了を生成するのに有効である。
さらに,これらの確率的完備化により,新たな異常検出指標である最小完備距離(MCD)を提案する。
本稿では,提案手法を異常局所化に用いる既存手法よりも優れていることを示すとともに,理論的支援を行う。
DBTデータセットでは、我々のモデルは、画素レベルの検出のために少なくとも10\% AUROCで、他の最先端手法よりも優れている。
関連論文リスト
- 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) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - 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) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Dual-distribution discrepancy with self-supervised refinement for
anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。
再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。
本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文 参考訳(メタデータ) (2022-10-09T11:18:45Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - DR{\AE}M -- A discriminatively trained reconstruction embedding for
surface anomaly detection [14.234783431842542]
識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。
DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。
挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2021-08-17T13:17:29Z) - Implicit field learning for unsupervised anomaly detection in medical
images [0.8122270502556374]
オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。
回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。
脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
論文 参考訳(メタデータ) (2021-06-09T16:57:22Z) - 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) - Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。
これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。
複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-23T18:45:55Z)
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。