論文の概要: Evaluation of pseudo-healthy image reconstruction for anomaly detection
with deep generative models: Application to brain FDG PET
- arxiv url: http://arxiv.org/abs/2401.16363v1
- Date: Mon, 29 Jan 2024 18:02:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 13:39:28.789182
- Title: Evaluation of pseudo-healthy image reconstruction for anomaly detection
with deep generative models: Application to brain FDG PET
- Title(参考訳): 深部生成モデルを用いた異常検出のための疑似健康画像再構成の評価:脳内FDG PETへの応用
- Authors: Ravi Hassanaly, Camille Brianceau, Ma\"elys Solal, Olivier Colliot,
Ninon Burgos
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.5250480324981406
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past years, pseudo-healthy reconstruction for unsupervised anomaly
detection has gained in popularity. This approach has the great advantage of
not requiring tedious pixel-wise data annotation and offers possibility to
generalize to any kind of anomalies, including that corresponding to rare
diseases. By training a deep generative model with only images from healthy
subjects, the model will learn to reconstruct pseudo-healthy images. This
pseudo-healthy reconstruction is then compared to the input to detect and
localize anomalies. The evaluation of such methods often relies on a ground
truth lesion mask that is available for test data, which may not exist
depending on the application.
We propose an evaluation procedure based on the simulation of realistic
abnormal images to validate pseudo-healthy reconstruction methods when no
ground truth is available. This allows us to extensively test generative models
on different kinds of anomalies and measuring their performance using the pair
of normal and abnormal images corresponding to the same subject. It can be used
as a preliminary automatic step to validate the capacity of a generative model
to reconstruct pseudo-healthy images, before a more advanced validation step
that would require clinician's expertise. We apply this framework to the
reconstruction of 3D brain FDG PET using a convolutional variational
autoencoder with the aim to detect as early as possible the neurodegeneration
markers that are specific to dementia such as Alzheimer's disease.
- Abstract(参考訳): 近年,教師なし異常検出のための疑似健康再建が普及している。
このアプローチは、退屈なピクセル単位のデータアノテーションを必要としないという大きな利点があり、まれな疾患を含むあらゆる種類の異常を一般化する可能性がある。
健常者の画像のみを用いて深層生成モデルを訓練することにより、擬似健康画像の再構築を学習する。
この擬似健康再構築は、異常を検出して局所化する入力と比較される。
このような方法の評価は、テストデータで使用可能な基底真理病変マスクに依存することが多いが、アプリケーションによっては存在しない可能性がある。
そこで本研究では,現実的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。
これにより、異なる種類の異常に対して生成モデルを広範囲にテストし、同一対象に対応する正常画像と異常画像のペアを用いてそれらの性能を測定することができる。
これは、臨床医の専門知識を必要とするより高度な検証ステップの前に、擬似健康画像の再構築のための生成モデルの能力を検証するための予備的な自動ステップとして使用できる。
本稿では,アルツハイマー病などの認知症に特異的な神経変性マーカーをできるだけ早く検出するために,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。
関連論文リスト
- 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) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Leveraging healthy population variability in deep learning unsupervised
anomaly detection in brain FDG PET [0.0]
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。
論文 参考訳(メタデータ) (2023-11-20T10:28:10Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
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。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - 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) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
本稿では,異常検出のための自己教師付き学習手法を提案する。
私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。
試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
論文 参考訳(メタデータ) (2020-11-10T22:21:48Z) - 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) - 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) - Unsupervised Lesion Detection via Image Restoration with a Normative
Prior [6.495883501989547]
本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。
脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
論文 参考訳(メタデータ) (2020-04-30T18:03:18Z)
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。