論文の概要: Statistical Test on Diffusion Model-based Anomaly Detection by Selective Inference
- arxiv url: http://arxiv.org/abs/2402.11789v3
- Date: Thu, 03 Oct 2024 22:59:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-07 15:08:25.948632
- Title: Statistical Test on Diffusion Model-based Anomaly Detection by Selective Inference
- Title(参考訳): 選択的推論による拡散モデルに基づく異常検出の統計的検証
- Authors: Teruyuki Katsuoka, Tomohiro Shiraishi, Daiki Miwa, Vo Nguyen Le Duy, Ichiro Takeuchi,
- Abstract要約: 拡散モデルを用いて医療画像中の異常領域を検出する課題に対処する。
本稿では,検出された異常の信頼性を定量化する統計的手法を提案する。
- 参考スコア(独自算出の注目度): 19.927066428010782
- License:
- Abstract: Advancements in AI image generation, particularly diffusion models, have progressed rapidly. However, the absence of an established framework for quantifying the reliability of AI-generated images hinders their use in critical decision-making tasks, such as medical image diagnosis. In this study, we address the task of detecting anomalous regions in medical images using diffusion models and propose a statistical method to quantify the reliability of the detected anomalies. The core concept of our method involves a selective inference framework, wherein statistical tests are conducted under the condition that the images are produced by a diffusion model. With our approach, the statistical significance of anomaly detection results can be quantified in the form of a $p$-value, enabling decision-making with controlled error rates, as is standard in medical practice. We demonstrate the theoretical soundness and practical effectiveness of our statistical test through numerical experiments on both synthetic and brain image datasets.
- Abstract(参考訳): AI画像生成、特に拡散モデルの発展は急速に進んでいる。
しかし、AI生成画像の信頼性を定量化するための確立されたフレームワークが存在しないことは、医療画像診断などの重要な意思決定タスクにおいて、AIの使用を妨げている。
本研究では,拡散モデルを用いた医用画像の異常領域検出の課題に対処し,検出された異常領域の信頼性を定量化する統計的手法を提案する。
提案手法の中核となる概念は選択推論フレームワークであり,拡散モデルにより画像が生成される条件下で統計的検査を行う。
提案手法では, 異常検出結果の統計的意義を$p$-valueの形で定量化し, 医療実践における標準値と同様, 制御誤差率による意思決定を可能にする。
合成画像と脳画像の両方における数値実験により,統計的検査の理論的健全性と実用性を示す。
関連論文リスト
- Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳(メタデータ) (2024-03-09T13:48:20Z) - Statistical Test for Anomaly Detections by Variational Auto-Encoders [19.927066428010782]
変分オートエンコーダ(VAE)を用いた異常検出の信頼性評価について検討する。
VAE-ADテストを用いて、VAEによって検出された異常領域の信頼性をp値の形で定量することができる。
論文 参考訳(メタデータ) (2024-02-06T05:42:27Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Statistical Hypothesis Testing for Information Value (IV) [0.0]
本研究では,データセットに想定される特徴の予測能力を評価するために,非パラメトリック仮説テストを提案する。
我々は,テスト統計を効率的に計算する方法を示し,その性能をシミュレーションデータで検証する。
論文 参考訳(メタデータ) (2023-09-22T21:16:18Z) - Synthetic Power Analyses: Empirical Evaluation and Application to
Cognitive Neuroimaging [14.57108653193695]
様々なサンプルサイズで統計的パワーを推定する枠組みを提案する。
認知神経科学実験におけるサンプルサイズ選択のための合成パワー分析の性能を実証的に検討した。
実験結果から, 合成電力分析がパイロットデータ収集の低コストな代替手段となる可能性が示唆された。
論文 参考訳(メタデータ) (2022-10-11T23:33:32Z) - Statistical quantification of confounding bias in predictive modelling [0.0]
未確立モデルと完全構築モデルのnull仮説を探索する部分的および完全共創テストを提案する。
このテストは、非正規および非線形依存の予測であっても、I型エラーと高い統計的パワーに対して厳格な制御を提供する。
論文 参考訳(メタデータ) (2021-11-01T10:35:24Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - Statistical Agnostic Mapping: a Framework in Neuroimaging based on
Concentration Inequalities [0.0]
ボクセルやマルチボクセルレベルでの統計アグノスティック(非パラメトリック)マッピングを導出する。
集中不平等に基づくニューロイメージングの新しい枠組みを提案する。
論文 参考訳(メタデータ) (2019-12-27T18:27:50Z)
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。