論文の概要: Leveraging healthy population variability in deep learning unsupervised anomaly detection in brain FDG PET

• arxiv url: http://arxiv.org/abs/2311.12081v1
• Date: Mon, 20 Nov 2023 10:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 03:22:46.634325
• Title: Leveraging healthy population variability in deep learning unsupervised anomaly detection in brain FDG PET
• Title（参考訳）: 深層学習によるFDG PETの異常検出における健康な個体群の変動
• Authors: Ma\"elys Solal (ARAMIS), Ravi Hassanaly (ARAMIS), Ninon Burgos (ARAMIS)
• Abstract要約: 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。
• 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: Unsupervised anomaly detection is a popular approach for the analysis of neuroimaging data as it allows to identify a wide variety of anomalies from unlabelled data. It relies on building a subject-specific model of healthy appearance to which a subject's image can be compared to detect anomalies. In the literature, it is common for anomaly detection to rely on analysing the residual image between the subject's image and its pseudo-healthy reconstruction. This approach however has limitations partly due to the pseudo-healthy reconstructions being imperfect and to the lack of natural thresholding mechanism. Our proposed method, inspired by Z-scores, leverages the healthy population variability to overcome these limitations. Our experiments conducted on FDG PET scans from the ADNI database demonstrate the effectiveness of our approach in accurately identifying Alzheimer's disease related anomalies.
• Abstract（参考訳）: 教師なし異常検出(unsupervised anomaly detection)は、非ラベルデータから幅広い異常を識別できるため、神経画像データの解析に一般的なアプローチである。 これは、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する。 文献では, 異常検出は, 被写体像と擬似健康再構築像の残像解析に依存することが一般的である。 しかし、この手法には、疑似健康再建が不完全であることや、自然なしきい値設定機構の欠如により、制限がある。 提案手法は,z-scoresに触発され,健康な人口変動を利用してこれらの制限を克服する。 ADNIデータベースからFDG PETスキャンを行い,アルツハイマー病関連異常を正確に同定する手法の有効性を実証した。

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)
• Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET [3.5250480324981406]
  本研究では,現実的な異常画像のシミュレーションに基づく評価手法を提案する。 この枠組みを畳み込み変分オートエンコーダを用いた3次元脳FDG PETの再構成に適用する。
  論文  参考訳（メタデータ） (2024-01-29T18:02:22Z)
• 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)
• Bias in Unsupervised Anomaly Detection in Brain MRI [12.857583780524847]
  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。
  論文  参考訳（メタデータ） (2023-08-26T12:39:25Z)
• Brainomaly: Unsupervised Neurologic Disease Detection Utilizing Unannotated T1-weighted Brain MR Images [10.441810020877371]
  本稿では神経疾患検出に特化して設計されたGANを用いた画像・画像翻訳手法であるBrainomalyを提案する。 脳腫瘍は、神経画像に適した調整された画像と画像の翻訳を提供するだけでなく、注釈のない混合画像を活用して、より優れた神経疾患検出を実現する。
  論文  参考訳（メタデータ） (2023-02-18T00:42:58Z)
• 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)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• 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)
• Unsupervised 3D Brain Anomaly Detection [0.0]
  異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。 本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
  論文  参考訳（メタデータ） (2020-10-09T17:59:17Z)
• Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
  画像異常検出の新しい強力な手法を提案する。 これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。 複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-23T18:45:55Z)

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。