Fugu-MT 論文翻訳(概要): Masked Autoencoders for Unsupervised Anomaly Detection in Medical Images

論文の概要: Masked Autoencoders for Unsupervised Anomaly Detection in Medical Images

arxiv url: http://arxiv.org/abs/2307.07534v1
Date: Fri, 14 Jul 2023 09:13:28 GMT
ステータス: 処理完了
システム内更新日: 2023-07-18 19:15:22.093182
Title: Masked Autoencoders for Unsupervised Anomaly Detection in Medical Images
Title（参考訳）: 医療画像における教師なし異常検出のためのマスク付きオートエンコーダ
Authors: Mariana-Iuliana Georgescu
Abstract要約: 健康なサンプルのみを用いてフレームワークを訓練する医療画像の異常検出に取り組む。本研究は,正常スキャンの再構成に否定的なサンプルを用いて,異常分類器を教師付きで訓練する。提案手法を,AST,RD4AD,AnoVAEGAN,f-AnoGANの4つの最先端異常検出フレームワークと比較した。
参考スコア（独自算出の注目度）: 5.457150493905064
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pathological anomalies exhibit diverse appearances in medical imaging, making it difficult to collect and annotate a representative amount of data required to train deep learning models in a supervised setting. Therefore, in this work, we tackle anomaly detection in medical images training our framework using only healthy samples. We propose to use the Masked Autoencoder model to learn the structure of the normal samples, then train an anomaly classifier on top of the difference between the original image and the reconstruction provided by the masked autoencoder. We train the anomaly classifier in a supervised manner using as negative samples the reconstruction of the healthy scans, while as positive samples, we use pseudo-abnormal scans obtained via our novel pseudo-abnormal module. The pseudo-abnormal module alters the reconstruction of the normal samples by changing the intensity of several regions. We conduct experiments on two medical image data sets, namely BRATS2020 and LUNA16 and compare our method with four state-of-the-art anomaly detection frameworks, namely AST, RD4AD, AnoVAEGAN and f-AnoGAN.
Abstract（参考訳）: 病理異常は医用画像において多様な外観を示しており、教師付き環境でディープラーニングモデルのトレーニングに必要な代表的なデータの収集と注釈付けが困難である。そこで本研究では,健常者のみを用いた枠組みのトレーニングを行う医療画像の異常検出に取り組む。マスク付きオートエンコーダモデルを用いて,正規サンプルの構造を学習し,マスク付きオートエンコーダによって提供される元の画像と再構成との差に基づいて,異常分類器を訓練する。正のサンプルとして, 新規な擬似異常モジュールを用いて得られた擬似異常スキャンを用いて, 正のサンプルを用いて, 教師付き方法で異常分類器を訓練する。擬似異常モジュールは、いくつかの領域の強度を変化させることで、通常のサンプルの再構成を変更する。我々は,BRATS2020 と LUNA16 という2つの医用画像データセットの実験を行い,この手法を最先端の4つの異常検出フレームワークであるAST,RD4AD,AnoVAEGAN,f-AnoGANと比較した。

関連論文リスト

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)
Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling [8.887775968482208]
拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。本稿では,Masked Diffusion Posterior Smpling (MDPS) という,新規かつ高解釈可能な手法を提案する。 MDPSは、異常検出や局所化と同様に、通常の画像再構成の品質において最先端の性能を達成することができる。
論文参考訳（メタデータ） (2024-04-27T13:13:27Z)
MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images [40.89943932086941]
脳画像における教師なし異常検出のためのMasked Autoencoder-enhanced Diffusion Model (MAEDiff)を提案する。 MAEDiffは、階層的なパッチ分割を含む。上層パッチを重畳して健全なイメージを生成し、サブレベルパッチで動作するマスク付きオートエンコーダに基づくメカニズムを実装し、未通知領域の状態を高める。
論文参考訳（メタデータ） (2024-01-19T08:54:54Z)
AMAE: Adaptation of Pre-Trained Masked Autoencoder for Dual-Distribution Anomaly Detection in Chest X-Rays [17.91123470181453]
我々は、事前訓練されたマスク付きオートエンコーダ(MAE)の適応のための2段階アルゴリズムであるAMAEを提案する。 AMAEは、競合する自己監督型および二重分布異常検出法よりも一貫した性能向上をもたらす。
論文参考訳（メタデータ） (2023-07-24T12:03:50Z)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文参考訳（メタデータ） (2023-03-09T05:52:42Z)
Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文参考訳（メタデータ） (2022-09-25T04:56:10Z)
Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文参考訳（メタデータ） (2021-11-17T13:30:31Z)
Image Anomaly Detection by Aggregating Deep Pyramidal Representations [16.246831343527052]
異常検出は、データセット内で、ほとんどのデータと大きく異なるサンプルを特定することで構成される。本稿では,複数のピラミッドレベルを持つ深層ニューラルネットワークを用いた画像異常検出に着目し,画像特徴を異なるスケールで解析する。
論文参考訳（メタデータ） (2020-11-12T09:58:27Z)
Label-Free Segmentation of COVID-19 Lesions in Lung CT [17.639558085838583]
ピクセルレベルの異常モデルを用いて,CTで新型コロナウイルスの病変を分類するためのラベルフリーアプローチを提案する。我々のモデリングは、気管と血管の一部が、病変が属する高強度範囲にあり、強いパターンを示すという観察に着想を得たものである。実験では,NormNetの有効性を3つの異なるデータセットで検証した。
論文参考訳（メタデータ） (2020-09-08T12:38:34Z)
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)

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。