論文の概要: CT-3DFlow : Leveraging 3D Normalizing Flows for Unsupervised Detection of Pathological Pulmonary CT scans

• arxiv url: http://arxiv.org/abs/2403.18514v1
• Date: Wed, 27 Mar 2024 12:44:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 17:08:03.927701
• Title: CT-3DFlow : Leveraging 3D Normalizing Flows for Unsupervised Detection of Pathological Pulmonary CT scans
• Title（参考訳）: CT-3D Flow : 病的肺CTの非教師的検出のための3次元正規化フローの活用
• Authors: Aissam Djahnine, Alexandre Popoff, Emilien Jupin-Delevaux, Vincent Cottin, Olivier Nempont, Loic Boussel,
• Abstract要約: 正規化フロー(NF)は、非可逆アーキテクチャを通じてトレーニング例の確率分布を直接学習する能力を持つ。 我々はこの特性をCT-3DFlowと呼ばれる新しい3次元NFモデルで利用し、特に胸部CTデータにおける患者レベルの肺病理診断に特化している。 本モデルは健康な3次元肺CTパッチで教師なしの訓練を行い,異常としてログ状分布から逸脱を検出する。
• 参考スコア（独自算出の注目度）: 37.69303106863453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised pathology detection can be implemented by training a model on healthy data only and measuring the deviation from the training set upon inference, for example with CNN-based feature extraction and one-class classifiers, or reconstruction-score-based methods such as AEs, GANs and Diffusion models. Normalizing Flows (NF) have the ability to directly learn the probability distribution of training examples through an invertible architecture. We leverage this property in a novel 3D NF-based model named CT-3DFlow, specifically tailored for patient-level pulmonary pathology detection in chest CT data. Our model is trained unsupervised on healthy 3D pulmonary CT patches, and detects deviations from its log-likelihood distribution as anomalies. We aggregate patches-level likelihood values from a patient's CT scan to provide a patient-level 'normal'/'abnormal' prediction. Out-of-distribution detection performance is evaluated using expert annotations on a separate chest CT test dataset, outperforming other state-of-the-art methods.
• Abstract（参考訳）: 教師なしの病理診断は、健康データのみをトレーニングし、CNNベースの特徴抽出や一級分類器、AE、GAN、拡散モデルといった再構成スコアに基づく手法など、推論に基づいて設定されたトレーニングから逸脱を測定することで実施することができる。 正規化フロー(NF)は、非可逆アーキテクチャを通じてトレーニング例の確率分布を直接学習する能力を持つ。 我々はこの特性をCT-3DFlowと呼ばれる新しい3次元NFモデルで利用し、特に胸部CTデータにおける患者レベルの肺病理診断に特化している。 本モデルは健康な3次元肺CTパッチで教師なしの訓練を行い,異常としてログ状分布から逸脱を検出する。 我々は、患者のCTスキャンからパッチレベルの確率値を集計し、患者レベルの「正常」/「異常」予測を提供する。 胸部CT検査データセットのエキスパートアノテーションを用いて分布外検出性能を評価し,他の最先端手法よりも優れていた。

関連論文リスト

• Application of Computer Deep Learning Model in Diagnosis of Pulmonary Nodules [5.058992545593932]
  再建法を用いて肺の3次元シミュレーションモデルを構築した。 コンピュータ支援肺結節検出モデルを構築した。 診断率は従来の診断法に比べて有意に改善した。
  論文  参考訳（メタデータ） (2024-06-19T04:27:27Z)
• Custom Pretrainings and Adapted 3D-ConvNeXt Architecture for COVID Detection and Severity Prediction [14.804451764265025]
  肺損傷の重症度予測と3次元CTスキャンによる感染検出のためのニューラルネットワークを提案する。 本モデルの性能を検証するため,第2回COV19Dコンペティションに参加し,重症度予測と感染検出を行った。
  論文  参考訳（メタデータ） (2022-06-30T07:09:28Z)
• 3D unsupervised anomaly detection and localization through virtual multi-view projection and reconstruction: Clinical validation on low-dose chest computed tomography [2.2302915692528367]
  仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。 本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。 異常領域を93%の精度でローカライズし、高い性能を示す。
  論文  参考訳（メタデータ） (2022-06-18T13:22:00Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Unsupervised 3D Brain Anomaly Detection [0.0]
  異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。 本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
  論文  参考訳（メタデータ） (2020-10-09T17:59:17Z)
• Label-Free Segmentation of COVID-19 Lesions in Lung CT [17.639558085838583]
  ピクセルレベルの異常モデルを用いて,CTで新型コロナウイルスの病変を分類するためのラベルフリーアプローチを提案する。 我々のモデリングは、気管と血管の一部が、病変が属する高強度範囲にあり、強いパターンを示すという観察に着想を得たものである。 実験では,NormNetの有効性を3つの異なるデータセットで検証した。
  論文  参考訳（メタデータ） (2020-09-08T12:38:34Z)
• 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。