Fugu-MT 論文翻訳(概要): Adversarial Masked Image Inpainting for Robust Detection of Mpox and Non-Mpox

論文の概要: Adversarial Masked Image Inpainting for Robust Detection of Mpox and Non-Mpox

arxiv url: http://arxiv.org/abs/2310.06318v1
Date: Tue, 10 Oct 2023 05:28:02 GMT
ステータス: 処理完了
システム内更新日: 2023-10-11 20:34:14.339429
Title: Adversarial Masked Image Inpainting for Robust Detection of Mpox and Non-Mpox
Title（参考訳）: MpoxとNon-Mpoxのロバスト検出のための逆マズード画像の塗布
Authors: Yubiao Yue, Zhenzhang Li
Abstract要約: The Mask, Inpainting, and Measure (MIM) は、マスクしたmpoxイメージを塗布することにより、mpoxイメージ表現を学習する。 MIMは巧妙にmpoxとnon-mpoxを検出し、異常な入力を処理できる。この研究はまず、mpox検出を改善するために生成モデルを使用し、医療画像における二分決定タスクに関する新たな洞察を提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the lack of efficient mpox diagnostic technology, mpox cases continue to increase. Recently, the great potential of deep learning models in detecting mpox and non-mpox has been proven. However, existing models learn image representations via image classification, which results in they may be easily susceptible to interference from real-world noise, require diverse non-mpox images, and fail to detect abnormal input. These drawbacks make classification models inapplicable in real-world settings. To address these challenges, we propose "Mask, Inpainting, and Measure" (MIM). In MIM's pipeline, a generative adversarial network only learns mpox image representations by inpainting the masked mpox images. Then, MIM determines whether the input belongs to mpox by measuring the similarity between the inpainted image and the original image. The underlying intuition is that since MIM solely models mpox images, it struggles to accurately inpaint non-mpox images in real-world settings. Without utilizing any non-mpox images, MIM cleverly detects mpox and non-mpox and can handle abnormal inputs. We used the recognized mpox dataset (MSLD) and images of eighteen non-mpox skin diseases to verify the effectiveness and robustness of MIM. Experimental results show that the average AUROC of MIM achieves 0.8237. In addition, we demonstrated the drawbacks of classification models and buttressed the potential of MIM through clinical validation. Finally, we developed an online smartphone app to provide free testing to the public in affected areas. This work first employs generative models to improve mpox detection and provides new insights into binary decision-making tasks in medical images.
Abstract（参考訳）: 効率的なmpox診断技術がないため、mpox症例は増え続けている。近年, 深層学習モデルによるmpoxおよびnon-mpoxの検出の可能性が証明されている。しかし、既存のモデルは画像分類によって画像表現を学習し、現実の雑音からの干渉を受けやすく、多様なノンポックス画像を必要とし、異常な入力を検出できない可能性がある。これらの欠点により、現実世界の設定では分類モデルは適用できない。これらの課題に対処するために,我々は"mask, inpainting, and measure" (mim)を提案する。 mimのパイプラインでは、生成的な敵ネットワークは、マスクされたmpoxイメージを塗り込み、mpoxイメージ表現のみを学習する。そして、MIMは、印字画像と原画像との類似度を測定することにより、入力がmpoxに属するか否かを判定する。基本的な直感は、mimは単にmpoxイメージをモデル化するため、実際の設定で正確に非mpoxイメージを塗りつぶすのに苦労しているということである。 MIMは非mpoxイメージを使わずに、巧妙にmpoxとnon-mpoxを検出し、異常な入力を処理できる。診断されたmpox data(MSLD)と18例の非mpox皮膚疾患の画像を用いてMIMの有効性と堅牢性を検討した。実験の結果,MIMの平均AUROCは0.8237。さらに,分類モデルの欠点を実証し,臨床的検証を通じてMIMの可能性を示した。最後に、影響を受けた地域で無料テストを提供するオンラインスマートフォンアプリを開発した。この研究はまず、mpox検出を改善するために生成モデルを使用し、医療画像におけるバイナリ決定タスクに関する新たな洞察を提供する。

関連論文リスト

DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。そして、学習したアーティファクト検出器を第2段階に巻き込み、各画像に画素ごとの信頼マップを割り当てて拡散モデルをチューニングする。
論文参考訳（メタデータ） (2025-01-21T18:56:41Z)
Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文参考訳（メタデータ） (2024-12-10T15:25:18Z)
Mask of truth: model sensitivity to unexpected regions of medical images [0.9896218845636701]
我々は、胸部X線と眼底画像の分類に畳み込みニューラルネットワーク(CNN)の能力に挑戦する。マスク戦略に関わらず、PadデータセットでトレーニングされたすべてのモデルがランダムにAUC(Area Under the Curve)を得ることができることを示す。また,Chaksuデータセットでは,非バイアスモデルに対する期待値に一致した結果が得られた。
論文参考訳（メタデータ） (2024-12-05T10:06:58Z)
Unsupervised Anomaly Detection in Medical Images Using Masked Diffusion Model [7.116982044576858]
Masked Image Modeling (MIM) と Masked Frequency Modeling (MFM) は、モデルがラベルのないデータから視覚表現を学習できるようにする自己教師型アプローチである。腫瘍と多発性硬化症病変を含むデータセットについて検討した。
論文参考訳（メタデータ） (2023-05-31T14:04:11Z)
Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging [41.587861167935785]
運動アーティファクトはMRI(MRI)の品質を損なうモーションアーティファクトリダクション(MAR)のソリューションとしてディープラーニングアプローチが登場したこれらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。この問題を軽減するために,UNAEN(UN Abnormality extract Network)を提案する。
論文参考訳（メタデータ） (2023-01-04T18:02:59Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
論文参考訳（メタデータ） (2022-03-23T10:35:06Z)
Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging [88.20869695803631]
真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。画像から画像への回帰を3つのタスクで評価する。
論文参考訳（メタデータ） (2022-02-10T18:59:56Z)
FIBA: Frequency-Injection based Backdoor Attack in Medical Image Analysis [82.2511780233828]
本稿では,様々な医療画像解析タスクにおいて,攻撃を行うことのできる新しい周波数注入型バックドアアタック法(FIBA)を提案する。具体的には、FIBAは、両方の画像のスペクトル振幅を線形に組み合わせることで、トリガー画像の低周波情報を有毒画像に注入できる周波数領域のトリガー関数を利用する。
論文参考訳（メタデータ） (2021-12-02T11:52:17Z)
Implicit field learning for unsupervised anomaly detection in medical images [0.8122270502556374]
オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
論文参考訳（メタデータ） (2021-06-09T16:57:22Z)
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。