論文の概要: Unsupervised anomaly localization in high-resolution breast scans using deep pluralistic image completion

• arxiv url: http://arxiv.org/abs/2305.03098v2
• Date: Mon, 22 Jul 2024 19:41:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 23:43:00.783266
• Title: Unsupervised anomaly localization in high-resolution breast scans using deep pluralistic image completion
• Title（参考訳）: 深達度多重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）: 5.911215493148418
• License: http://creativecommons.org/licenses/by/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, 高分解能のため難しい課題である。 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。 画像補完の観点からタスクを解く際には、元の外観と周囲に条件付けられた自動補完との相違により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に、固定された予測を生成する代わりに、可能な完了の分布を探索し、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,異常を検出するための新しい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た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、AUROCを少なくとも10倍以上の精度で、他の最先端手法よりも優れています。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations [12.35831157851407]
  AnomalyCD技術は、過去の正常な変化パターンから学習することで、異常な変化を特定することを学ぶ。 AnomalyCDMは効率を高めるための2段階のワークフローとして設計されており、見えない画像を直接処理することができる。
  論文  参考訳（メタデータ） (2024-09-09T14:47:57Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。