論文の概要: Achieving state-of-the-art performance in the Medical
Out-of-Distribution (MOOD) challenge using plausible synthetic anomalies
- arxiv url: http://arxiv.org/abs/2308.01412v2
- Date: Sun, 12 Nov 2023 15:53:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 20:49:50.514111
- Title: Achieving state-of-the-art performance in the Medical
Out-of-Distribution (MOOD) challenge using plausible synthetic anomalies
- Title（参考訳）: 医学的アウト・オブ・ディストリビューション(mood)チャレンジにおける最先端性能の実現
- Authors: Sergio Naval Marimont and Giacomo Tarroni
- Abstract要約: 非教師付き異常検出(out-of-distribution detection)は、異常なサンプルを特定することを目的としている。
本手法は,局所的な合成異常を識別するためのセグメンテーションネットワークを訓練する自己教師型戦略に基づいている。
我々の貢献により, 合成異常発生プロセスが改善し, 合成異常がより均一になる。
- 参考スコア（独自算出の注目度）: 0.5677301320664404
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection and localization of anomalies is one important medical image
analysis task. Most commonly, Computer Vision anomaly detection approaches rely
on manual annotations that are both time consuming and expensive to obtain.
Unsupervised anomaly detection, or Out-of-Distribution detection, aims at
identifying anomalous samples relying only on unannotated samples considered
normal. In this study we present a new unsupervised anomaly detection method.
Our method builds upon the self-supervised strategy consisting on training a
segmentation network to identify local synthetic anomalies. Our contributions
improve the synthetic anomaly generation process, making synthetic anomalies
more heterogeneous and challenging by 1) using complex random shapes and 2)
smoothing the edges of synthetic anomalies so networks cannot rely on the high
gradient between image and synthetic anomalies. In our implementation we
adopted standard practices in 3D medical image segmentation, including 3D U-Net
architecture, patch-wise training and model ensembling. Our method was
evaluated using a validation set with different types of synthetic anomalies.
Our experiments show that our method improved substantially the baseline method
performance. Additionally, we evaluated our method by participating in the
Medical Out-of-Distribution (MOOD) Challenge held at MICCAI in 2022 and
achieved first position in both sample-wise and pixel-wise tasks. Our
experiments and results in the latest MOOD challenge show that our simple yet
effective approach can substantially improve the performance of
Out-of-Distribution detection techniques which rely on synthetic anomalies.
- Abstract（参考訳）: 異常の検出と局所化は重要な医用画像解析の課題である。
最も一般的には、コンピュータビジョン異常検出アプローチは、時間と取得コストの両方がかかる手動アノテーションに依存している。
教師なし異常検出(out-of-distribution detection)は、正常と見なされる注釈のないサンプルのみに依存する異常サンプルを特定することを目的としている。
本研究では,新しい教師なし異常検出法を提案する。
本手法は,局所的な合成異常を識別するためのセグメンテーションネットワークを訓練する自己教師型戦略に基づいている。
我々の貢献は、合成異常発生プロセスを改善し、合成異常をより均一で困難なものにする。
1)複雑なランダムな形状と
2) 合成異常のエッジを滑らかにすることで, ネットワークは画像と合成異常の間の高勾配に依存しない。
実装では,3次元U-Netアーキテクチャ,パッチワイドトレーニング,モデルアンサンブルなど,3次元医用画像セグメンテーションの標準プラクティスを採用しました。
本手法は,異なる種類の合成異常を有する検証セットを用いて評価した。
実験の結果,本手法のベースライン性能は大幅に向上した。
また,2022年にmiccaiで開催されたmedical out-of-distribution (mood) チャレンジに参加し,サンプル単位と画素単位の両方において第1位を得た。
最新のmood challengeの実験と結果から,我々のシンプルかつ効果的なアプローチは,合成異常に依存する分散検出手法の性能を大幅に向上させることができることが示された。
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。