論文の概要: Guided Reconstruction with Conditioned Diffusion Models for Unsupervised
Anomaly Detection in Brain MRIs
- arxiv url: http://arxiv.org/abs/2312.04215v1
- Date: Thu, 7 Dec 2023 11:03:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 15:20:15.090593
- Title: Guided Reconstruction with Conditioned Diffusion Models for Unsupervised
Anomaly Detection in Brain MRIs
- Title（参考訳）: 脳MRIにおける教師なし異常検出のための条件付き拡散モデルによるガイド付き再構成
- Authors: Finn Behrendt, Debayan Bhattacharya, Robin Mieling, Lennart Maack,
Julia Kr\"uger, Roland Opfer, Alexander Schlaefer
- Abstract要約: 拡散モデル(diffusion model)は、再構成忠実度に大きな可能性を示す、深層生成モデルの新たなクラスである。
雑音のない入力画像の潜在表現から得られる画像の再構成のために,拡散モデルのデノナイズ機構を画像に関する追加情報で条件付けることを提案する。
この条件付けにより、入力-再構成ペアの局所強度特性を整列させながら、健康な脳構造を高忠実に再構築することができる。
- 参考スコア（独自算出の注目度）: 36.79912410985013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised anomaly detection in Brain MRIs aims to identify abnormalities
as outliers from a healthy training distribution. Reconstruction-based
approaches that use generative models to learn to reconstruct healthy brain
anatomy are commonly used for this task. Diffusion models are an emerging class
of deep generative models that show great potential regarding reconstruction
fidelity. However, they face challenges in preserving intensity characteristics
in the reconstructed images, limiting their performance in anomaly detection.
To address this challenge, we propose to condition the denoising mechanism of
diffusion models with additional information about the image to reconstruct
coming from a latent representation of the noise-free input image. This
conditioning enables high-fidelity reconstruction of healthy brain structures
while aligning local intensity characteristics of input-reconstruction pairs.
We evaluate our method's reconstruction quality, domain adaptation features and
finally segmentation performance on publicly available data sets with various
pathologies. Using our proposed conditioning mechanism we can reduce the
false-positive predictions and enable a more precise delineation of anomalies
which significantly enhances the anomaly detection performance compared to
established state-of-the-art approaches to unsupervised anomaly detection in
brain MRI. Furthermore, our approach shows promise in domain adaptation across
different MRI acquisitions and simulated contrasts, a crucial property of
general anomaly detection methods.
- Abstract（参考訳）: 脳MRIにおける教師なし異常検出は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。
再生モデルを用いて、健康な脳解剖の再構築を学習する再構成に基づくアプローチが、この課題に一般的に用いられている。
拡散モデルは、再構成忠実性に関する大きな可能性を示す深層生成モデルの新しいクラスである。
しかし、再構成画像の強度特性を保ち、異常検出における性能を抑えるという課題に直面している。
この課題に対処するために,ノイズフリーな入力画像の潜在表現から生じる再構成のために,拡散モデルのデノナイズ機構に画像に関する追加情報を加えることを提案する。
この条件付けにより、入力-再構成ペアの局所強度特性を整列させながら、健康な脳構造を高忠実に再構築することができる。
提案手法の再現性, ドメイン適応性, および, 様々な病態を持つ公開データセット上でのセグメンテーション性能を評価する。
提案した条件付け機構を用いることで,脳MRIにおける非教師的異常検出に対する最先端のアプローチと比較して,異常検出性能を著しく向上する偽陽性予測を低減し,異常のより正確なデライン化を可能にする。
さらに, 一般的な異常検出手法の重要な特徴である, 異なるMRI取得とシミュレーションコントラストの領域適応が期待できることを示す。
関連論文リスト
- Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。
提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。
提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
論文 参考訳（メタデータ） (2024-11-06T15:43:51Z) - On Instabilities of Unsupervised Denoising Diffusion Models in Magnetic Resonance Imaging Reconstruction [1.811105613701224]
代理モデルから転送される最小のケースでも、これらのモデルが偽の組織構造を発生させる可能性がある。
このような最悪の摂動の伝達性は、画像再構成の堅牢性を損なう可能性があることを示している。
論文 参考訳（メタデータ） (2024-06-23T19:44:00Z) - MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised
Anomaly Detection in Brain Images [40.89943932086941]
脳画像における教師なし異常検出のためのMasked Autoencoder-enhanced Diffusion Model (MAEDiff)を提案する。
MAEDiffは、階層的なパッチ分割を含む。上層パッチを重畳して健全なイメージを生成し、サブレベルパッチで動作するマスク付きオートエンコーダに基づくメカニズムを実装し、未通知領域の状態を高める。
論文 参考訳（メタデータ） (2024-01-19T08:54:54Z) - 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) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。
様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文 参考訳（メタデータ） (2023-08-28T08:47:06Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - 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) - 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。