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
- 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) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - 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) - SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。
次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文 参考訳(メタデータ) (2023-06-14T08:55:36Z) - 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) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳(メタデータ) (2022-07-03T20:11:51Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
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。