論文の概要: MediCLIP: Adapting CLIP for Few-shot Medical Image Anomaly Detection

• arxiv url: http://arxiv.org/abs/2405.11315v1
• Date: Sat, 18 May 2024 15:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 18:18:48.636633
• Title: MediCLIP: Adapting CLIP for Few-shot Medical Image Anomaly Detection
• Title（参考訳）: MediCLIP:医療画像異常検出のためのCLIPの適応
• Authors: Ximiao Zhang, Min Xu, Dehui Qiu, Ruixin Yan, Ning Lang, Xiuzhuang Zhou,
• Abstract要約: 本稿ではまず,数ショット設定における画像異常検出の課題に焦点をあてる。 そこで本研究では,CLIPモデルを用いた医用画像異常検出手法であるMediCLIPを提案する。
• 参考スコア（独自算出の注目度）: 6.812281925604158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of medical decision-making, precise anomaly detection in medical imaging plays a pivotal role in aiding clinicians. However, previous work is reliant on large-scale datasets for training anomaly detection models, which increases the development cost. This paper first focuses on the task of medical image anomaly detection in the few-shot setting, which is critically significant for the medical field where data collection and annotation are both very expensive. We propose an innovative approach, MediCLIP, which adapts the CLIP model to few-shot medical image anomaly detection through self-supervised fine-tuning. Although CLIP, as a vision-language model, demonstrates outstanding zero-/fewshot performance on various downstream tasks, it still falls short in the anomaly detection of medical images. To address this, we design a series of medical image anomaly synthesis tasks to simulate common disease patterns in medical imaging, transferring the powerful generalization capabilities of CLIP to the task of medical image anomaly detection. When only few-shot normal medical images are provided, MediCLIP achieves state-of-the-art performance in anomaly detection and location compared to other methods. Extensive experiments on three distinct medical anomaly detection tasks have demonstrated the superiority of our approach. The code is available at https://github.com/cnulab/MediCLIP.
• Abstract（参考訳）: 医学的意思決定の分野では、医用画像における正確な異常検出は、臨床医を支援する上で重要な役割を担っている。 しかし、従来の作業は、開発コストを増大させるような、異常検出モデルのトレーニングのための大規模なデータセットに依存していた。 本稿ではまず,データ収集とアノテーションが非常に高価である医療分野において重要な,数ショット設定における医用画像異常検出の課題に焦点をあてる。 そこで本研究では,CLIPモデルを用いた医用画像異常検出手法であるMediCLIPを提案する。 視覚言語モデルであるCLIPは、様々な下流タスクにおいて優れたゼロ/フェウショット性能を示すが、医療画像の異常検出では依然として不足している。 そこで我々は,CLIPの強力な一般化能力を医用画像異常検出タスクに移行し,医用画像の一般的な疾患パターンをシミュレートする一連の医用画像異常合成タスクを設計した。 数発の正常な医用画像が提供されただけで、他の方法と比較して異常検出や位置検出において最先端のパフォーマンスが達成される。 3つの異なる医学的異常検出タスクに関する大規模な実験は、我々のアプローチの優位性を実証した。 コードはhttps://github.com/cnulab/MediCLIPで入手できる。

関連論文リスト

• Training Medical Large Vision-Language Models with Abnormal-Aware Feedback [57.98393950821579]
  本報告では,Unveiling Medicalnomaitiesを用いたUMed-LVLMを提案する。 本稿では,GPT-4Vを用いた診断手法を提案する。 実験の結果, UMed-LVLMは既存のMed-LVLMを上回り, 医学的異常を同定し, 理解していることがわかった。
  論文  参考訳（メタデータ） (2025-01-02T17:37:20Z)
• Exploring Zero-Shot Anomaly Detection with CLIP in Medical Imaging: Are We There Yet? [0.0]
  CLIPをベースとした脳腫瘍検出モデルの評価を行った。 これらのモデルでは、一般的な知識を医療タスクに移すことが約束されているが、臨床応用に必要な精度には達していない。
  論文  参考訳（メタデータ） (2024-11-14T09:38:29Z)
• 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)
• MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
  異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。 医学的ADのための多くの方法が出現したにもかかわらず、公平で包括的な評価が欠如しているため、明確な結論が得られなかった。 本稿では,この問題に対処するため,比較を統一したベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-04-06T06:18:11Z)
• 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)
• AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
  異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。 医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。 提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
  論文  参考訳（メタデータ） (2023-10-10T08:44:47Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• 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)

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。