Fugu-MT 論文翻訳(概要): MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images

論文の概要: MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images

arxiv url: http://arxiv.org/abs/2401.10561v1
Date: Fri, 19 Jan 2024 08:54:54 GMT
ステータス: 処理完了
システム内更新日: 2024-01-22 16:34:36.489908
Title: MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images
Title（参考訳）: maediff:spected autoencoder-enhanced diffusion modelによる脳画像の非教師なし異常検出
Authors: Rui Xu, Yunke Wang, Bo Du
Abstract要約: 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。
参考スコア（独自算出の注目度）: 40.89943932086941
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unsupervised anomaly detection has gained significant attention in the field of medical imaging due to its capability of relieving the costly pixel-level annotation. To achieve this, modern approaches usually utilize generative models to produce healthy references of the diseased images and then identify the abnormalities by comparing the healthy references and the original diseased images. Recently, diffusion models have exhibited promising potential for unsupervised anomaly detection in medical images for their good mode coverage and high sample quality. However, the intrinsic characteristics of the medical images, e.g. the low contrast, and the intricate anatomical structure of the human body make the reconstruction challenging. Besides, the global information of medical images often remain underutilized. To address these two issues, we propose a novel Masked Autoencoder-enhanced Diffusion Model (MAEDiff) for unsupervised anomaly detection in brain images. The MAEDiff involves a hierarchical patch partition. It generates healthy images by overlapping upper-level patches and implements a mechanism based on the masked autoencoders operating on the sub-level patches to enhance the condition on the unnoised regions. Extensive experiments on data of tumors and multiple sclerosis lesions demonstrate the effectiveness of our method.
Abstract（参考訳）: 医用画像の分野では,コストの高いピクセルレベルのアノテーションを緩和できるため,教師なしの異常検出が注目されている。これを達成するために、現代のアプローチでは、通常、生成モデルを使用して、病気の画像の健全な参照を生成し、健康な参照と元の病気画像を比較して異常を識別する。近年、拡散モデルでは、良好なモードカバレッジと高いサンプル品質のために、医用画像における教師なし異常検出に有望な可能性が示されている。しかし, 医用画像の特徴, 低コントラスト, 複雑な人体解剖学的構造は, 再構成を困難にしている。さらに、医療画像のグローバルな情報は、しばしば未利用のままである。これら2つの問題に対処するため,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は階層的なパッチパーティションを含む。上層パッチを重畳して健全な画像を生成し、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機構を実装し、未通知領域の条件を強化する。腫瘍および多発性硬化症病変のデータに関する広範な実験により,本法の有効性が示された。

関連論文リスト

StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文参考訳（メタデータ） (2024-08-11T01:22:29Z)
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)
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)
Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
論文参考訳（メタデータ） (2024-01-19T11:35:07Z)
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)
Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [36.79912410985013]
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。
論文参考訳（メタデータ） (2023-12-07T11:03:42Z)
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)
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)
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)
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。