論文の概要: BMAD: Benchmarks for Medical Anomaly Detection
- arxiv url: http://arxiv.org/abs/2306.11876v3
- Date: Sun, 28 Apr 2024 02:07:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 01:24:18.961127
- Title: BMAD: Benchmarks for Medical Anomaly Detection
- Title(参考訳): BMAD: 医学的異常検出のためのベンチマーク
- Authors: Jinan Bao, Hanshi Sun, Hanqiu Deng, Yinsheng He, Zhaoxiang Zhang, Xingyu Li,
- Abstract要約: 異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。
医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。
医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
- 参考スコア(独自算出の注目度): 51.22159321912891
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection (AD) is a fundamental research problem in machine learning and computer vision, with practical applications in industrial inspection, video surveillance, and medical diagnosis. In medical imaging, AD is especially vital for detecting and diagnosing anomalies that may indicate rare diseases or conditions. However, there is a lack of a universal and fair benchmark for evaluating AD methods on medical images, which hinders the development of more generalized and robust AD methods in this specific domain. To bridge this gap, we introduce a comprehensive evaluation benchmark for assessing anomaly detection methods on medical images. This benchmark encompasses six reorganized datasets from five medical domains (i.e. brain MRI, liver CT, retinal OCT, chest X-ray, and digital histopathology) and three key evaluation metrics, and includes a total of fourteen state-of-the-art AD algorithms. This standardized and well-curated medical benchmark with the well-structured codebase enables comprehensive comparisons among recently proposed anomaly detection methods. It will facilitate the community to conduct a fair comparison and advance the field of AD on medical imaging. More information on BMAD is available in our GitHub repository: https://github.com/DorisBao/BMAD
- Abstract(参考訳): 異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題であり、産業検査、ビデオ監視、医療診断に実用化されている。
医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。
しかし、医療画像上でADメソッドを評価するための普遍的で公平なベンチマークが欠如しており、この特定の領域におけるより一般化された、堅牢なADメソッドの開発を妨げている。
このギャップを埋めるために、医用画像の異常検出方法を評価するための総合的な評価ベンチマークを導入する。
このベンチマークは、5つの医学領域(脳MRI、肝CT、網膜OCT、胸部X線、デジタル病理学)から6つの再構成データセットと3つの重要な評価指標を含み、合計14の最先端ADアルゴリズムを含んでいる。
本ベンチマークは,最近提案された異常検出手法の総合的な比較を可能にする。
これは、コミュニティが公正な比較を行い、医療画像におけるADの分野を前進させるのに役立つだろう。
BMADの詳細はGitHubリポジトリで確認できます。
関連論文リスト
- ADer: A Comprehensive Benchmark for Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい異常検出手法のモジュラーフレームワークであるtextbftextitADerを提案する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。
皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
論文 参考訳(メタデータ) (2024-05-02T18:21:25Z) - MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。
医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。
本稿では,比較を統一したベンチマークを構築した。
論文 参考訳(メタデータ) (2024-04-06T06:18:11Z) - 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) - Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for
Multimodal Medical Diagnosis [59.35504779947686]
GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。
評価対象は17の人体システムである。
GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。
疾患の診断と包括的報告作成において重大な課題に直面している。
論文 参考訳(メタデータ) (2023-10-15T18:32:27Z) - ECPC-IDS:A benchmark endometrail cancer PET/CT image dataset for
evaluation of semantic segmentation and detection of hypermetabolic regions [7.420919215687338]
子宮内膜癌は女性の生殖系において最も一般的な腫瘍の1つである。
このデータセットは、多数の画像を持つ子宮内膜癌の最初の公開データセットである。
論文 参考訳(メタデータ) (2023-08-16T12:18:27Z) - Artificial Intelligence in Dry Eye Disease [4.444624718360766]
ドライアイ病(DED)は5~50%の頻度である。
医学への応用における近年の成功は、主に機械学習のサブ分野の発展によるものである。
これは、DEDにおけるAIの使用に関する最初の文献レビューである。
論文 参考訳(メタデータ) (2021-09-02T10:17:50Z) - Anomaly Detection in Medical Imaging -- A Mini Review [0.8122270502556374]
本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。
主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。
また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
論文 参考訳(メタデータ) (2021-08-25T11:45:40Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳(メタデータ) (2020-07-05T11:49:17Z)
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。