論文の概要: Towards Universal Unsupervised Anomaly Detection in Medical Imaging

• arxiv url: http://arxiv.org/abs/2401.10637v1
• Date: Fri, 19 Jan 2024 11:35:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 16:08:52.781982
• Title: Towards Universal Unsupervised Anomaly Detection in Medical Imaging
• Title（参考訳）: 医用画像におけるUniversal Unsupervised Anomaly Detectionに向けて
• Authors: Cosmin I. Bercea and Benedikt Wiestler and Daniel Rueckert and Julia A. Schnabel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.161402789616004
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The increasing complexity of medical imaging data underscores the need for advanced anomaly detection methods to automatically identify diverse pathologies. Current methods face challenges in capturing the broad spectrum of anomalies, often limiting their use to specific lesion types in brain scans. To address this challenge, we introduce a novel unsupervised approach, termed \textit{Reversed Auto-Encoders (RA)}, designed to create realistic pseudo-healthy reconstructions that enable the detection of a wider range of pathologies. We evaluate the proposed method across various imaging modalities, including magnetic resonance imaging (MRI) of the brain, pediatric wrist X-ray, and chest X-ray, and demonstrate superior performance in detecting anomalies compared to existing state-of-the-art methods. Our unsupervised anomaly detection approach may enhance diagnostic accuracy in medical imaging by identifying a broader range of unknown pathologies. Our code is publicly available at: \url{https://github.com/ci-ber/RA}.
• Abstract（参考訳）: 医療画像データの複雑さの増大は、様々な病理を自動的に識別する高度な異常検出方法の必要性を浮き彫りにする。 現在の方法では、広い範囲の異常を捉えることが困難であり、しばしば脳スキャンで特定の病変タイプに制限される。 この課題に対処するため,我々は,より広い範囲の病理を検出可能な,現実的な擬似健康再構築を実現するために設計された, \textit{reversed auto-encoders (ra)"と呼ばれる新しい教師なしアプローチを導入する。 提案手法は, 脳のMRI, 小児手首X線, 胸部X線などの様々な画像モダリティにまたがって評価され, 既存の最先端法と比較して, 異常検出に優れた性能を示す。 医用画像の診断精度は,広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。 私たちのコードは、次のように公開されています。

関連論文リスト

• Pancreatic Tumor Segmentation as Anomaly Detection in CT Images Using Denoising Diffusion Models [4.931603088067152]
  本研究は, 膵腫瘍検出に対する新しいアプローチとして, デノナイズ拡散法を用いて, 弱い監督異常検出を応用した手法を提案する。 本手法は, 複雑なトレーニングプロトコルやセグメンテーションマスクを必要とせずに, 画像のシームレスな翻訳を可能にする。 本研究は, 膵癌の生存率の低さを認識し, 医療セグメント化作業における拡散モデルの効率を活用するための継続的な研究の必要性を強調した。
  論文  参考訳（メタデータ） (2024-06-04T16:38:11Z)
• 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)
• 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)
• 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)
• 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)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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。