論文の概要: Feasibility of Universal Anomaly Detection without Knowing the Abnormality in Medical Images

• arxiv url: http://arxiv.org/abs/2307.00750v2
• Date: Sat, 19 Aug 2023 07:25:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 23:15:19.843621
• Title: Feasibility of Universal Anomaly Detection without Knowing the Abnormality in Medical Images
• Title（参考訳）: 医用画像の異常を知らずに普遍的異常検出の実現可能性
• Authors: Can Cui, Yaohong Wang, Shunxing Bao, Yucheng Tang, Ruining Deng, Lucas W. Remedios, Zuhayr Asad, Joseph T. Roland, Ken S. Lau, Qi Liu, Lori A. Coburn, Keith T. Wilson, Bennett A. Landman, and Yuankai Huo
• Abstract要約: 以前の異常検出方法は、特定の「既知の」異常に最適化された。 本研究では,4つの医学データセットの異常検出手法を比較した。 本稿では,異常を知らずに,様々な種類の異常検出の利点を活用するための簡易な判定レベルアンサンブル手法を提案する。
• 参考スコア（独自算出の注目度）: 14.191760807405421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many anomaly detection approaches, especially deep learning methods, have been recently developed to identify abnormal image morphology by only employing normal images during training. Unfortunately, many prior anomaly detection methods were optimized for a specific "known" abnormality (e.g., brain tumor, bone fraction, cell types). Moreover, even though only the normal images were used in the training process, the abnormal images were often employed during the validation process (e.g., epoch selection, hyper-parameter tuning), which might leak the supposed ``unknown" abnormality unintentionally. In this study, we investigated these two essential aspects regarding universal anomaly detection in medical images by (1) comparing various anomaly detection methods across four medical datasets, (2) investigating the inevitable but often neglected issues on how to unbiasedly select the optimal anomaly detection model during the validation phase using only normal images, and (3) proposing a simple decision-level ensemble method to leverage the advantage of different kinds of anomaly detection without knowing the abnormality. The results of our experiments indicate that none of the evaluated methods consistently achieved the best performance across all datasets. Our proposed method enhanced the robustness of performance in general (average AUC 0.956).
• Abstract（参考訳）: 近年,多くの異常検出手法,特に深層学習法が,訓練中に正常画像のみを用いることで画像形態の異常を識別するために開発されている。 残念なことに、多くの先行異常検出方法は特定の「既知の」異常(例えば、脳腫瘍、骨分画、細胞型)に最適化された。 さらに、トレーニングプロセスでは通常の画像のみを使用していたが、検証プロセス(例えば、エポックセレクション、ハイパーパラメータチューニング)中に異常画像が頻繁に使用され、意図しない「未知」の異常が漏れる可能性がある。 In this study, we investigated these two essential aspects regarding universal anomaly detection in medical images by (1) comparing various anomaly detection methods across four medical datasets, (2) investigating the inevitable but often neglected issues on how to unbiasedly select the optimal anomaly detection model during the validation phase using only normal images, and (3) proposing a simple decision-level ensemble method to leverage the advantage of different kinds of anomaly detection without knowing the abnormality. 実験の結果,評価された手法がすべてのデータセットで常に最高の性能を達成できないことがわかった。 提案手法は一般に性能の堅牢性を高めた(平均AUC 0.956)。

関連論文リスト

• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 本稿では、通常のトレーニングデータを異なるコンテキストに設定することで、この問題に対処するCon2を提案する。 より現実的な医療環境では,様々なベンチマークで最先端のパフォーマンスを実現しつつ,優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• 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)
• 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)
• 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)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• LesionPaste: One-Shot Anomaly Detection for Medical Images [0.6445605125467573]
  本稿では,1つの注釈付きサンプルから真の異常を利用した一発異常検出フレームワークLesionPasteを提案する。 MixUpは、通常の画像のランダムな位置で病変バンクからパッチを貼り付け、トレーニング用の異常サンプルを合成するために使用される。 提案したLesionPasteは,最先端の非教師付きおよび半教師付き異常検出手法よりも優れており,完全教師付き手法と同等である。
  論文  参考訳（メタデータ） (2022-03-12T06:19:10Z)
• 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)
• 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)
• A versatile anomaly detection method for medical images with a flow-based generative model in semi-supervision setting [0.0]
  本稿では,2つの訓練されたフローベース生成モデルに基づく異常検出手法を提案する。 この方法では、後続確率は任意の画像に対する正規度計量として計算できる。 胸部X線写真(CXR)と脳CT(BCT)の2種類の医用画像を用いて評価した。
  論文  参考訳（メタデータ） (2020-01-22T02:01:57Z)

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。