Fugu-MT 論文翻訳(概要): ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection

論文の概要: ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection

arxiv url: http://arxiv.org/abs/2308.15280v1
Date: Tue, 29 Aug 2023 13:10:53 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 14:06:47.139210
Title: ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection
Title（参考訳）: ADFA:unsupervised Medical Anomaly Detectionのための注意増強型Top-k特徴適応
Authors: Yiming Huang, Guole Liu, Yaoru Luo, Ge Yang
Abstract要約: 本稿では,画像異常検出のためのADFA(Attention-Augmented Differentiable Top-k Feature Adaptation)を提案する。初期の特徴表現を抽出するために、ImageNetで事前訓練されたWR50ネットワーク。次に,パッチ記述子をトレーニングし,抽出した特徴表現を新しいベクトル空間にマッピングするために,微分可能なトップk特徴適応を適用した。
参考スコア（独自算出の注目度）: 5.946143723117816
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The scarcity of annotated data, particularly for rare diseases, limits the variability of training data and the range of detectable lesions, presenting a significant challenge for supervised anomaly detection in medical imaging. To solve this problem, we propose a novel unsupervised method for medical image anomaly detection: Attention-Augmented Differentiable top-k Feature Adaptation (ADFA). The method utilizes Wide-ResNet50-2 (WR50) network pre-trained on ImageNet to extract initial feature representations. To reduce the channel dimensionality while preserving relevant channel information, we employ an attention-augmented patch descriptor on the extracted features. We then apply differentiable top-k feature adaptation to train the patch descriptor, mapping the extracted feature representations to a new vector space, enabling effective detection of anomalies. Experiments show that ADFA outperforms state-of-the-art (SOTA) methods on multiple challenging medical image datasets, confirming its effectiveness in medical anomaly detection.
Abstract（参考訳）: 注記データの不足、特にまれな疾患では、トレーニングデータの多様性と検出可能な病変の範囲が制限され、医用画像における教師付き異常検出の重要な課題が提示される。そこで本研究では,ADFA (Attention-Augmented Differentiable Top-k Feature Adaptation) による画像異常検出手法を提案する。この方法は、ImageNetで事前訓練されたワイド-ResNet50-2(WR50)ネットワークを使用して、初期特徴表現を抽出する。関連するチャネル情報を保存しつつチャネル次元を低減し、抽出した特徴に注意喚起パッチ記述器を用いる。次に,パッチ記述子を訓練するために微分可能なtop-k特徴適応を適用し,抽出した特徴表現を新しいベクトル空間にマッピングし,異常を効果的に検出する。実験の結果、ADFAは複数の挑戦的な医療画像データセットの最先端(SOTA)手法よりも優れており、医学的異常検出の有効性が確認されている。

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)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
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)
AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
論文参考訳（メタデータ） (2023-10-10T08:44:47Z)
ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文参考訳（メタデータ） (2023-09-03T07:55:46Z)
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)
Diffusion Models for Medical Anomaly Detection [0.8999666725996974]
本稿では,拡散暗黙的モデルに基づく弱教師付き異常検出手法を提案する。本手法は,複雑な訓練手順を必要とせずに,非常に詳細な異常マップを生成する。
論文参考訳（メタデータ） (2022-03-08T12:35:07Z)
Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
論文参考訳（メタデータ） (2021-07-31T00:10:26Z)
Patch SVDD: Patch-level SVDD for Anomaly Detection and Segmentation [30.499125737099185]
異常検出は、入力画像が異常を含むかどうかを二項決定する。我々は,自己教師付き学習を用いたパッチベースの手法に,サポートベクタデータ記述(SVDD)を拡張した。本研究は,提案手法の有効性と産業応用の可能性を示すものである。
論文参考訳（メタデータ） (2020-06-29T14:19:47Z)

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。