論文の概要: Bias in Unsupervised Anomaly Detection in Brain MRI
- arxiv url: http://arxiv.org/abs/2308.13861v1
- Date: Sat, 26 Aug 2023 12:39:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 18:39:15.584480
- Title: Bias in Unsupervised Anomaly Detection in Brain MRI
- Title（参考訳）: 脳MRIにおける教師なし異常検出のバイアス
- Authors: Cosmin I. Bercea, Esther Puyol-Ant\'on, Benedikt Wiestler, Daniel
Rueckert, Julia A. Schnabel, Andrew P. King
- Abstract要約: 教師なし異常検出法は、教師付きアプローチに代わる有望で柔軟な代替手段を提供する。
現状では, テストケースとトレーニング分布の違いは, 病的条件のみに起因していると推定されることが多い。
スキャナー、年齢、性別、人種など、他の潜在的な分布シフト源の存在は、しばしば見過ごされる。
- 参考スコア（独自算出の注目度）: 12.857583780524847
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Unsupervised anomaly detection methods offer a promising and flexible
alternative to supervised approaches, holding the potential to revolutionize
medical scan analysis and enhance diagnostic performance.
In the current landscape, it is commonly assumed that differences between a
test case and the training distribution are attributed solely to pathological
conditions, implying that any disparity indicates an anomaly. However, the
presence of other potential sources of distributional shift, including scanner,
age, sex, or race, is frequently overlooked. These shifts can significantly
impact the accuracy of the anomaly detection task. Prominent instances of such
failures have sparked concerns regarding the bias, credibility, and fairness of
anomaly detection.
This work presents a novel analysis of biases in unsupervised anomaly
detection. By examining potential non-pathological distributional shifts
between the training and testing distributions, we shed light on the extent of
these biases and their influence on anomaly detection results. Moreover, this
study examines the algorithmic limitations that arise due to biases, providing
valuable insights into the challenges encountered by anomaly detection
algorithms in accurately learning and capturing the entire range of variability
present in the normative distribution. Through this analysis, we aim to enhance
the understanding of these biases and pave the way for future improvements in
the field. Here, we specifically investigate Alzheimer's disease detection from
brain MR imaging as a case study, revealing significant biases related to sex,
race, and scanner variations that substantially impact the results. These
findings align with the broader goal of improving the reliability, fairness,
and effectiveness of anomaly detection in medical imaging.
- Abstract（参考訳）: 教師なし異常検出法は、有望で柔軟な代替手段を提供し、医療スキャン分析に革命をもたらし、診断性能を向上させる可能性を秘めている。
現在のランドスケープでは、テストケースとトレーニング分布の違いは、病的条件のみに起因していると考えられており、あらゆる相違が異常を示すことを示唆している。
しかし、スキャナー、年齢、性別、人種など、他の潜在的な分布シフト源の存在は、しばしば見過ごされる。
これらのシフトは異常検出タスクの精度に大きな影響を及ぼす可能性がある。
このような失敗の顕著な例が、異常検出のバイアス、信頼性、公平性に関する懸念を引き起こしている。
本稿では,教師なし異常検出におけるバイアスの新しい解析法を提案する。
トレーニング分布とテスト分布の間の潜在的な非病理学的分布変化を調べることで,これらのバイアスの程度と異常検出結果への影響を明らかにした。
さらに,偏りによって生じるアルゴリズム上の制約について検討し,正規分布に存在する変動範囲を精度良く学習し,捉えることで,異常検出アルゴリズムが直面する課題に対する貴重な洞察を与える。
この分析を通じて,これらのバイアスの理解を深め,今後のフィールド改善の道を開くことを目的としている。
本研究は,脳mriによるアルツハイマー病の検出を事例として検討し,性別,人種,スキャナに有意な偏りを示し,その結果に大きく影響する。
これらの結果は, 医用画像における異常検出の信頼性, 公平性, 有効性の向上という広範な目標と一致した。
関連論文リスト
- Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。
目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
論文 参考訳（メタデータ） (2024-07-29T12:39:07Z) - Leveraging healthy population variability in deep learning unsupervised
anomaly detection in brain FDG PET [0.0]
教師なし異常検出は、神経画像データの解析において一般的なアプローチである。
それは、被験者のイメージを異常を検出するために比較できる健康な外観の主題固有のモデルを構築することに依存している。
文献では、被験者の画像と擬似健康再構築の間の残像の分析に頼って異常検出を行うのが一般的である。
論文 参考訳（メタデータ） (2023-11-20T10:28:10Z) - Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。
両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-27T14:10:09Z) - 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) - 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) - 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) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳（メタデータ） (2022-03-28T05:21:37Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳（メタデータ） (2021-05-16T03:55:02Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳（メタデータ） (2020-12-05T17:30:35Z) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳（メタデータ） (2019-10-30T00:40:25Z)
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。