論文の概要: Exploiting Structural Consistency of Chest Anatomy for Unsupervised Anomaly Detection in Radiography Images

• arxiv url: http://arxiv.org/abs/2403.08689v1
• Date: Wed, 13 Mar 2024 16:44:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 13:38:32.228982
• Title: Exploiting Structural Consistency of Chest Anatomy for Unsupervised Anomaly Detection in Radiography Images
• Title（参考訳）: 胸部解剖の非監督的構造整合性 放射線画像における異常検出
• Authors: Tiange Xiang, Yixiao Zhang, Yongyi Lu, Alan Yuille, Chaoyi Zhang, Weidong Cai, Zongwei Zhou
• Abstract要約: 簡易な空間認識メモリマトリックスによるX線画像からの異常検出(略してSimSID)を提案する。 トレーニング中、SimSIDは解剖学的構造を繰り返し発生する視覚パターンに分類することができ、推論では、テストイメージから異常を識別することができる。 我々のSimSIDは、ZhangLab、COVIDx、CheXpertベンチマークデータセット上の+8.0%、+5.0%、+9.9%のAUCスコアによる教師なし異常検出において、芸術の状態を超越している。
• 参考スコア（独自算出の注目度）: 20.80801110403552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiography imaging protocols focus on particular body regions, therefore producing images of great similarity and yielding recurrent anatomical structures across patients. Exploiting this structured information could potentially ease the detection of anomalies from radiography images. To this end, we propose a Simple Space-Aware Memory Matrix for In-painting and Detecting anomalies from radiography images (abbreviated as SimSID). We formulate anomaly detection as an image reconstruction task, consisting of a space-aware memory matrix and an in-painting block in the feature space. During the training, SimSID can taxonomize the ingrained anatomical structures into recurrent visual patterns, and in the inference, it can identify anomalies (unseen/modified visual patterns) from the test image. Our SimSID surpasses the state of the arts in unsupervised anomaly detection by +8.0%, +5.0%, and +9.9% AUC scores on ZhangLab, COVIDx, and CheXpert benchmark datasets, respectively. Code: https://github.com/MrGiovanni/SimSID
• Abstract（参考訳）: 放射線画像撮影プロトコルは特定の身体領域に焦点をあてるため、非常に類似した画像が生成され、患者全体の解剖学的構造が繰り返される。 この構造化された情報をエクスプロイトすることで、X線撮影画像からの異常の検出が簡単になる可能性がある。 そこで本研究では,SimSID(SimSID)による画像からの異常検出のための簡易空間認識メモリマトリックスを提案する。 本稿では,画像再構成タスクとして,空間認識メモリマトリクスと特徴空間のインペイントブロックからなる異常検出を定式化する。 トレーニング中、SimSIDは詳細な解剖学的構造を反復的な視覚パターンに分類することができ、推論では、テストイメージから異常(見えない/修正された視覚パターン)を識別することができる。 我々のSimSIDは、教師なしの異常検出において、ZhangLab、COVIDx、CheXpertのベンチマークデータセット上の+8.0%、+5.0%、+9.9%のAUCスコアをそれぞれ上回っている。 コード:https://github.com/MrGiovanni/SimSID

関連論文リスト

• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Weakly Supervised Anomaly Detection for Chest X-Ray Image [6.506869371228188]
  胸部X線検査のための弱教師付き異常検出フレームワークを提案する。 WSCXRは、まず、正常な特徴と異常な特徴のセットをそれぞれ構築する。 その後、異常特徴抽出により正常領域の特徴を排除し、異常画像の特徴を洗練する。
  論文  参考訳（メタデータ） (2023-11-16T07:53:34Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Unsupervised Anomaly Localization with Structural Feature-Autoencoders [6.667150890634173]
  医用画像の病因を検出する手段としては, 教師なし異常検出が一般的な方法となっている。 本稿では,入力強度画像を複数のチャネルを持つ空間に変換する特徴マッピング関数を用いてこの問題に対処する。 次に、この空間におけるオートエンコーダモデルを、強度の違いだけでなく、コントラストや構造の違いも考慮した構造的類似性損失を用いて訓練する。
  論文  参考訳（メタデータ） (2022-08-23T14:19:46Z)
• 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)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• SAM: Self-supervised Learning of Pixel-wise Anatomical Embeddings in Radiological Images [23.582516309813425]
  自己監督型解剖学的eMbedding(SAM)を導入し,ラベルのない画像から本質的な構造を学習する。 SAMは、解剖学的位置または身体部分を記述する各画像ピクセルに対してセマンティック埋め込みを生成する。 2次元および3次元画像モダリティを持つ複数のタスクにおいてSAMの有効性を示す。
  論文  参考訳（メタデータ） (2020-12-04T03:31:20Z)
• Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images [42.700275429734205]
  網膜画像における異常検出は、網膜疾患や疾患によって引き起こされる異常の同定を指す。 本稿では,画像テクスチャと構造の関係を利用して,異常検出のためのディープニューラルネットワークの設計を提案する。
  論文  参考訳（メタデータ） (2020-08-09T02:59:33Z)
• 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)

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。