論文の概要: cOOpD: Reformulating COPD classification on chest CT scans as anomaly
detection using contrastive representations
- arxiv url: http://arxiv.org/abs/2307.07254v1
- Date: Fri, 14 Jul 2023 10:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 14:22:04.539124
- Title: cOOpD: Reformulating COPD classification on chest CT scans as anomaly
detection using contrastive representations
- Title（参考訳）: cOOpD:コントラスト表現を用いた胸部CTスキャンのPD分類の異常検出
- Authors: Silvia D. Almeida, Carsten T. L\"uth, Tobias Norajitra, Tassilo Wald,
Marco Nolden, Paul F. Jaeger, Claus P. Heussel, J\"urgen Biederer, Oliver
Weinheimer, Klaus Maier-Hein
- Abstract要約: cOOpD: 正常な同種肺領域からヘテロジニアス領域がアウト・オブ・ディストリビューション (OOD) として検出される。
生成モデルは、健全な表現の分布を学び、異常を逸脱として識別する。
AUROCでは,cOOpDが8.2%,7.7%の増加とともに,2つの公開データセット上で最高のパフォーマンスを実現していることを示す。
- 参考スコア（独自算出の注目度）: 0.6733204971296001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classification of heterogeneous diseases is challenging due to their
complexity, variability of symptoms and imaging findings. Chronic Obstructive
Pulmonary Disease (COPD) is a prime example, being underdiagnosed despite being
the third leading cause of death. Its sparse, diffuse and heterogeneous
appearance on computed tomography challenges supervised binary classification.
We reformulate COPD binary classification as an anomaly detection task,
proposing cOOpD: heterogeneous pathological regions are detected as
Out-of-Distribution (OOD) from normal homogeneous lung regions. To this end, we
learn representations of unlabeled lung regions employing a self-supervised
contrastive pretext model, potentially capturing specific characteristics of
diseased and healthy unlabeled regions. A generative model then learns the
distribution of healthy representations and identifies abnormalities (stemming
from COPD) as deviations. Patient-level scores are obtained by aggregating
region OOD scores. We show that cOOpD achieves the best performance on two
public datasets, with an increase of 8.2% and 7.7% in terms of AUROC compared
to the previous supervised state-of-the-art. Additionally, cOOpD yields
well-interpretable spatial anomaly maps and patient-level scores which we show
to be of additional value in identifying individuals in the early stage of
progression. Experiments in artificially designed real-world prevalence
settings further support that anomaly detection is a powerful way of tackling
COPD classification.
- Abstract（参考訳）: 異種疾患の分類は、その複雑さ、症状の多様性、画像所見により困難である。
慢性閉塞性肺疾患(COPD)は3番目の死因であるにもかかわらず診断されていない主要な例である。
コンピューター断層撮影の課題におけるばらばらで拡散的で不均質な外観は二分分類を監督する。
copdの2値分類を異常検出タスクとして再構成し、coopd: 異種病理領域を正常な均質肺領域からout-of-distribution(ood)として検出する。
この目的のために, 自己教師付きコントラストプリテキストモデルを用いて肺野の非ラベル領域の表現を学習し, 疾患領域と健常領域の特異な特徴を捉えることができる。
生成モデルが健康表現の分布を学習し、(copdから生じる)異常を偏差として識別する。
患者レベルスコアは、領域OODスコアを集約することで得られる。
coopdは2つのパブリックデータセットで最高のパフォーマンスを達成しており、以前の監視された状態と比較して、aurocの8.2%と7.7%の増加を示している。
さらに,cOOpDは,進行初期における個人識別に付加価値があることが示される,よく解釈可能な空間異常マップと患者レベルスコアを得る。
人工的に設計された実世界の有病率設定の実験は、異常検出がCOPD分類に取り組む強力な方法であることを示す。
関連論文リスト
- Revisiting Deep Ensemble Uncertainty for Enhanced Medical Anomaly Detection [34.14012444375776]
医用異常検出のためのDual-space Uncertainty Estimationフレームワークを提案する。
異常検出のための一致と不一致のバランスをとるために,冗長性認識反発(RAR)を提案する。
また,入出力空間におけるアンサンブルの不確実性を利用したDual-Space Uncertainty(DSU)を開発した。
論文 参考訳（メタデータ） (2024-09-26T02:47:41Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - 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) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - Adversarial Transformer for Repairing Human Airway Segmentation [7.176060570019899]
本稿では,従来のCT画像とともに事前分割を行い,気道構造の精細化マスクを出力するパッチスケール対向型精細化ネットワークを提案する。
その結果, 7つの測定値から定量的に評価し, 検出された長さ比と検出された枝比の15%以上を達成できた。
論文 参考訳（メタデータ） (2022-10-21T15:20:08Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Constrained Contrastive Distribution Learning for Unsupervised Anomaly
Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。
異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。
本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文 参考訳（メタデータ） (2021-03-05T01:56:58Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z)
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。