論文の概要: Harder synthetic anomalies to improve OoD detection in Medical Images
- arxiv url: http://arxiv.org/abs/2308.01412v1
- Date: Wed, 2 Aug 2023 20:16:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 15:54:37.449017
- Title: Harder synthetic anomalies to improve OoD detection in Medical Images
- Title(参考訳): 医用画像におけるOoD検出のためのより硬い合成異常
- Authors: Sergio Naval Marimont and Giacomo Tarroni
- Abstract要約: 提案手法は,外部パッチをコピー・補間する合成局所異常がセグメンテーションネットワークのトレーニングに有用であることを示す。
筆者らの貢献により,1)正方形の代わりにランダムな形状を用い,2)異常のエッジを平滑化させることにより,合成異常がより均一で困難になる。
本手法は,MICCAIが開催した2022年版メディカル・アウト・オブ・ディストリビューション(MICCAI)において,サンプル・ワイド・ピクセル・ワイド・タスクにおいて第1位を獲得した。
- 参考スコア(独自算出の注目度): 0.6294759639481189
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Our method builds upon previous Medical Out-of-Distribution (MOOD) challenge
winners that empirically show that synthetic local anomalies generated copying
/ interpolating foreign patches are useful to train segmentation networks able
to generalize to unseen types of anomalies. In terms of the synthetic anomaly
generation process, our contributions makes synthetic anomalies more
heterogeneous and challenging by 1) using random shapes instead of squares and
2) smoothing the interpolation edge of anomalies so networks cannot rely on the
high gradient between image - foreign patch to identify anomalies. Our
experiments using the validation set of 2020 MOOD winners show that both
contributions improved substantially the method performance. We used a standard
3D U-Net architecture as segmentation network, trained patch-wise in both brain
and abdominal datasets. Our final challenge submission consisted of 10 U-Nets
trained across 5 data folds with different configurations of the anomaly
generation process. Our method achieved first position in both sample-wise and
pixel-wise tasks in the 2022 edition of the Medical Out-of-Distribution held at
MICCAI.
- Abstract(参考訳): 提案手法は,外来パッチをコピー・補間する合成局所異常が,未知の種類の異常に一般化可能なセグメンテーションネットワークの訓練に有用であることを示す。
合成異常発生過程の観点から、我々の貢献により、合成異常はより均一で困難になる。
1)正方形の代わりにランダム形状を用いる
2)異常の補間エッジをスムースにすることで、異常を識別するために画像間の高い勾配に依存することができない。
筆者らは,2020 MOOD受賞者の検証セットを用いて,両コントリビューションがメソッド性能を大幅に改善したことを示す。
標準的な3d u-netアーキテクチャをセグメンテーションネットワークとして使用し,脳と腹部のデータセットでパッチワイズをトレーニングした。
最後の課題は、5つのデータ折りたたみでトレーニングされた10のu-netで構成されました。
2022年、miccaiで開かれたmedical out-of-distributionにおいて、サンプルとピクセルの両方のタスクで最初のポジションを得た。
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) - DAS3D: Dual-modality Anomaly Synthesis for 3D Anomaly Detection [5.062312533373299]
本稿では3次元異常合成のための新しい2次元モード拡張法を提案する。
本稿では,再構成に基づく識別異常検出ネットワークを提案する。
提案手法は,検出精度において最先端の手法よりも優れ,競争力のあるセグメンテーション性能を実現する。
論文 参考訳(メタデータ) (2024-10-13T12:38:16Z) - Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。
生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。
本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。 生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
論文 参考訳(メタデータ) (2024-07-09T08:02:46Z) - 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) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Towards Fair Deep Anomaly Detection [24.237000220172906]
我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。
提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
論文 参考訳(メタデータ) (2020-12-29T22:34:45Z) - OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。
3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
論文 参考訳(メタデータ) (2020-01-18T09:57:37Z)
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。