論文の概要: Objective and Interpretable Breast Cosmesis Evaluation with Attention
Guided Denoising Diffusion Anomaly Detection Model
- arxiv url: http://arxiv.org/abs/2402.18362v1
- Date: Wed, 28 Feb 2024 14:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 14:45:25.712744
- Title: Objective and Interpretable Breast Cosmesis Evaluation with Attention
Guided Denoising Diffusion Anomaly Detection Model
- Title（参考訳）: 注意誘導拡散異常検出モデルを用いた目的・解釈可能な乳房コスメシスの評価
- Authors: Sangjoon Park, Yong Bae Kim, Jee Suk Chang, Seo Hee Choi, Hyungjin
Chung, Ik Jae Lee, Hwa Kyung Byun
- Abstract要約: 手術後の乳房コスメシスを評価するために,注意ガイド下乳房拡散異常検出法(AG-DDAD)を施行した。
提案手法は,拡散モデルと組み合わせたラベル付き自己監督型ビジョントランス (ViT) を用いた蒸留の注意機構を活用し,高品質な画像再構成を実現する。
我々の異常検出モデルは、既存のモデルを上回る精度で最先端の性能を示す。
- 参考スコア（独自算出の注目度）: 7.227228085606149
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As advancements in the field of breast cancer treatment continue to progress,
the assessment of post-surgical cosmetic outcomes has gained increasing
significance due to its substantial impact on patients' quality of life.
However, evaluating breast cosmesis presents challenges due to the inherently
subjective nature of expert labeling. In this study, we present a novel
automated approach, Attention-Guided Denoising Diffusion Anomaly Detection
(AG-DDAD), designed to assess breast cosmesis following surgery, addressing the
limitations of conventional supervised learning and existing anomaly detection
models. Our approach leverages the attention mechanism of the distillation with
no label (DINO) self-supervised Vision Transformer (ViT) in combination with a
diffusion model to achieve high-quality image reconstruction and precise
transformation of discriminative regions. By training the diffusion model on
unlabeled data predominantly with normal cosmesis, we adopt an unsupervised
anomaly detection perspective to automatically score the cosmesis. Real-world
data experiments demonstrate the effectiveness of our method, providing
visually appealing representations and quantifiable scores for cosmesis
evaluation. Compared to commonly used rule-based programs, our fully automated
approach eliminates the need for manual annotations and offers objective
evaluation. Moreover, our anomaly detection model exhibits state-of-the-art
performance, surpassing existing models in accuracy. Going beyond the scope of
breast cosmesis, our research represents a significant advancement in
unsupervised anomaly detection within the medical domain, thereby paving the
way for future investigations.
- Abstract（参考訳）: 乳癌治療の分野での進歩が進み続けており、術後の化粧品評価は患者の生活の質に大きく影響するため、重要性が増している。
しかし,乳房コスメシスの評価は,専門的ラベル付けの本質的な主観性に起因する課題を呈している。
本研究では,従来の教師付き学習の限界と既存の異常検出モデルに対処し,手術後の乳房コスメシスを評価するための,注意誘導拡散異常検出法(AG-DDAD)を提案する。
本手法は,ラベルなし自己教師付き視覚トランスフォーマ(vit)と拡散モデルを組み合わせた蒸留の注意機構を活用し,高品質な画像再構成と識別領域の高精度変換を実現する。
非ラベルデータの拡散モデルを通常コメシスで主に訓練することにより,教師なしの異常検出視点を採用し,コメシスを自動的にスコアリングする。
本手法の有効性を実世界データ実験により実証し,視覚的に魅力的な表現と定量化可能なスコアをコメシス評価に提供した。
一般的なルールベースのプログラムと比較して、完全に自動化されたアプローチは手動アノテーションの必要性を排除し、客観的評価を提供する。
さらに,我々の異常検出モデルは,既存のモデルを上回る精度で最先端の性能を示す。
胸部コスメシスの範囲を超えて,本研究は医療領域内における非監督的異常検出の大幅な進歩を示し,今後の研究への道を開いた。
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) - 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) - Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。
我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。
このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
論文 参考訳（メタデータ） (2024-04-18T18:25:00Z) - 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) - 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) - Mask, Stitch, and Re-Sample: Enhancing Robustness and Generalizability
in Anomaly Detection through Automatic Diffusion Models [8.540959938042352]
本稿では,拡散モデルのロバスト性を高める新しい手法であるAutoDDPMを提案する。
結合ノイズ分布再サンプリングにより、AutoDDPMは調和効果と塗装効果を達成する。
これはまた、現在の拡散モデルの限界に関する貴重な洞察と分析にも貢献する。
論文 参考訳（メタデータ） (2023-05-31T08:21:17Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z) - 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) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - Robust and Precise Facial Landmark Detection by Self-Calibrated Pose
Attention Network [73.56802915291917]
より堅牢で正確な顔のランドマーク検出を実現するための半教師付きフレームワークを提案する。
より効果的な顔形状制約をモデル化するために,境界対応ランドマーク強度(BALI)フィールドを提案する。
自己キャリブレーション・ポース・アテンション(SCPA)モデルは、中間的監督を強制する自己学習型目標関数を提供するように設計されている。
論文 参考訳（メタデータ） (2021-12-23T02:51:08Z) - Markerless Suture Needle 6D Pose Tracking with Robust Uncertainty
Estimation for Autonomous Minimally Invasive Robotic Surgery [11.530352384883361]
ベイズフィルタを用いたマーカーレス縫合針ポーズトラッキングの新しい手法を提案する。
データ効率の良い特徴点検出器を訓練し、針上の特徴点を抽出する。
新しい観察モデルは、検出と針の予測投影との重なりを計測する。
論文 参考訳（メタデータ） (2021-09-26T23:30:14Z)
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。