論文の概要: unORANIC: Unsupervised Orthogonalization of Anatomy and Image-Characteristic Features

• arxiv url: http://arxiv.org/abs/2308.15507v1
• Date: Tue, 29 Aug 2023 13:37:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 16:04:58.358966
• Title: unORANIC: Unsupervised Orthogonalization of Anatomy and Image-Characteristic Features
• Title（参考訳）: unORANIC: 解剖学と画像特性の教師なし直交化
• Authors: Sebastian Doerrich, Francesco Di Salvo, Christian Ledig
• Abstract要約: 解剖学と画像特性の直交化を促進するために適応的損失関数を用いた教師なしのアプローチであるunORANICを導入する。 テスト期間中、unORANICは、潜在的に破損した画像に適用され、破損のない画像を再構成し、ドメイン不変の解剖のみを示す。 我々は、UnORANICの分類精度、破損検出、修正能力を評価し、これを5つの異なるデータセットで質的かつ定量的に確認する。 本手法は,医用画像解析における実用的応用の汎用性と堅牢性の向上を約束するものである。
• 参考スコア（独自算出の注目度）: 0.14732811715354455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce unORANIC, an unsupervised approach that uses an adapted loss function to drive the orthogonalization of anatomy and image-characteristic features. The method is versatile for diverse modalities and tasks, as it does not require domain knowledge, paired data samples, or labels. During test time unORANIC is applied to potentially corrupted images, orthogonalizing their anatomy and characteristic components, to subsequently reconstruct corruption-free images, showing their domain-invariant anatomy only. This feature orthogonalization further improves generalization and robustness against corruptions. We confirm this qualitatively and quantitatively on 5 distinct datasets by assessing unORANIC's classification accuracy, corruption detection and revision capabilities. Our approach shows promise for enhancing the generalizability and robustness of practical applications in medical image analysis. The source code is available at https://github.com/sdoerrich97/unORANIC.
• Abstract（参考訳）: 解剖学と画像特性の直交化を促進するために適応的損失関数を用いた教師なしアプローチであるunORANICを導入する。 このメソッドは、ドメイン知識やペアデータサンプル、ラベルを必要としないため、多様なモダリティやタスクに汎用性がある。 テスト期間中、unORANICは潜在的に破損した画像に適用され、その解剖学的および特徴成分を直交させ、その後、破壊のない画像を再構成し、ドメイン不変な解剖のみを示す。 この特徴は、汚職に対する一般化と堅牢性をさらに改善する。 我々は,unoranicの分類精度,腐敗検出,修正能力を評価することにより,5つの異なるデータセットを定性的かつ定量的に確認する。 本手法は,医用画像解析における実用的応用の汎用性と堅牢性の向上を約束するものである。 ソースコードはhttps://github.com/sdoerrich97/unORANICで入手できる。

関連論文リスト

• Unsupervised Feature Orthogonalization for Learning Distortion-Invariant Representations [0.13108652488669734]
  本研究では、教師なし特徴の直交化と視覚変換器の能力を統合する新しい手法であるunORANIC+を紹介する。 unORANIC+の合理化アーキテクチャは、解剖学的および画像特異的な属性を効果的に分離し、堅牢で偏りのない潜在表現をもたらす。 大規模な実験は、UnORANIC+の復元能力、腐敗の回復力、および既存の画像歪みを修正する能力を示す。 本手法を先進的な医用画像解析のための有望なアルゴリズムとして位置づけた,多様な画像ソースとサンプルサイズのデータセットへの適応性を確認した。
  論文  参考訳（メタデータ） (2024-09-18T19:25:38Z)
• 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)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection [5.946143723117816]
  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。
  論文  参考訳（メタデータ） (2023-08-29T13:10:53Z)
• A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate Detection [12.669734891001667]
  糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因である。 硬口蓋の早期発見は、糖尿病の治療と視力喪失の予防に役立つDRの同定において重要な役割を担っている。 ハード・エクスデュート・セグメンテーションを最適化する新しい教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T17:39:00Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning [2.7148274921314615]
  X線画像のコンピュータ診断において位置病変は重要である。 一般に弱教師付き手法はX線像の特性を考慮できなかった。 自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T08:24:04Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。