論文の概要: Histogram- and Diffusion-Based Medical Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2310.08654v1
• Date: Thu, 12 Oct 2023 18:26:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 15:51:33.148380
• Title: Histogram- and Diffusion-Based Medical Out-of-Distribution Detection
• Title（参考訳）: ヒストグラムと拡散型医療アウトオブディストリビューション検出
• Authors: Evi M.C. Huijben, Sina Amirrajab, Josien P.W. Pluim
• Abstract要約: ヒストグラム法と拡散法を組み合わせたパイプラインを提案する。 提案手法は, ぼかしおよびバイアス場サンプルに敏感であるが, 解剖学的変形, 黒スライス, スワップパッチによる課題に直面している。 これらの結果から,医用画像のOOD検出におけるDDPMの性能向上にはさらなる研究が必要であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.9359784266087106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is crucial for the safety and reliability of artificial intelligence algorithms, especially in the medical domain. In the context of the Medical OOD (MOOD) detection challenge 2023, we propose a pipeline that combines a histogram-based method and a diffusion-based method. The histogram-based method is designed to accurately detect homogeneous anomalies in the toy examples of the challenge, such as blobs with constant intensity values. The diffusion-based method is based on one of the latest methods for unsupervised anomaly detection, called DDPM-OOD. We explore this method and propose extensive post-processing steps for pixel-level and sample-level anomaly detection on brain MRI and abdominal CT data provided by the challenge. Our results show that the proposed DDPM method is sensitive to blur and bias field samples, but faces challenges with anatomical deformation, black slice, and swapped patches. These findings suggest that further research is needed to improve the performance of DDPM for OOD detection in medical images.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、特に医療領域において、人工知能アルゴリズムの安全性と信頼性に不可欠である。 医療用ood(mood)検出チャレンジ2023の文脈において,ヒストグラムに基づく手法と拡散に基づく手法を組み合わせたパイプラインを提案する。 ヒストグラムに基づく手法は、一定の強度値のブロブのような、課題のおもちゃの例における均質な異常を正確に検出するように設計されている。 この拡散法はDDPM-OODと呼ばれる最新の教師なし異常検出法に基づいている。 本手法について検討し,脳MRIおよび腹部CTデータを用いた画素レベルおよびサンプルレベルの異常検出のための広範な後処理手順を提案する。 以上の結果から, ddpm法はボケやバイアスフィールドのサンプルに敏感であるが, 解剖学的変形, 黒スライス, スワップパッチの課題に直面している。 これらの結果から,医療画像のOOD検出におけるDDPMの性能向上にはさらなる研究が必要であることが示唆された。

関連論文リスト

• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
  拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。 彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。 本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-08T11:26:49Z)
• 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)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• On Diffusion Modeling for Anomaly Detection [14.542411354617983]
  拡散モデルは密度に基づく異常検出の魅力的な候補である。 本研究では,拡散に基づく異常検出手法が,半教師付き設定と教師なし設定の両方で競合的に動作することを示す。 これらの結果は拡散に基づく異常検出を従来の方法に代わるスケーラブルな代替手段として確立する。
  論文  参考訳（メタデータ） (2023-05-29T20:19:45Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• 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)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。