論文の概要: IterMask2: Iterative Unsupervised Anomaly Segmentation via Spatial and Frequency Masking for Brain Lesions in MRI
- arxiv url: http://arxiv.org/abs/2406.02422v1
- Date: Tue, 4 Jun 2024 15:39:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-05 15:30:46.813562
- Title: IterMask2: Iterative Unsupervised Anomaly Segmentation via Spatial and Frequency Masking for Brain Lesions in MRI
- Title（参考訳）: IterMask2:MRIにおける脳病変に対する空間および周波数マスキングによる反復的非教師的異常分割
- Authors: Ziyun Liang, Xiaoqing Guo, J. Alison Noble, Konstantinos Kamnitsas,
- Abstract要約: 病理セグメント化に対する教師なし異常セグメンテーションアプローチは、正常な被験者の画像に基づいてモデルを訓練し、「正常な」データ分布と定義する。
本稿では,この問題を緩和するために,空間マスク修復戦略のイタマスク2を提案する。
いくつかの脳病変データセットの実験を行い,本手法の有効性を実証した。
- 参考スコア（独自算出の注目度）: 13.403122193463348
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised anomaly segmentation approaches to pathology segmentation train a model on images of healthy subjects, that they define as the 'normal' data distribution. At inference, they aim to segment any pathologies in new images as 'anomalies', as they exhibit patterns that deviate from those in 'normal' training data. Prevailing methods follow the 'corrupt-and-reconstruct' paradigm. They intentionally corrupt an input image, reconstruct it to follow the learned 'normal' distribution, and subsequently segment anomalies based on reconstruction error. Corrupting an input image, however, inevitably leads to suboptimal reconstruction even of normal regions, causing false positives. To alleviate this, we propose a novel iterative spatial mask-refining strategy IterMask2. We iteratively mask areas of the image, reconstruct them, and update the mask based on reconstruction error. This iterative process progressively adds information about areas that are confidently normal as per the model. The increasing content guides reconstruction of nearby masked areas, improving reconstruction of normal tissue under these areas, reducing false positives. We also use high-frequency image content as an auxiliary input to provide additional structural information for masked areas. This further improves reconstruction error of normal in comparison to anomalous areas, facilitating segmentation of the latter. We conduct experiments on several brain lesion datasets and demonstrate effectiveness of our method. Code is available at: https://github.com/ZiyunLiang/IterMasks2
- Abstract（参考訳）: 病理セグメント化に対する教師なし異常セグメンテーションアプローチは、正常な被験者の画像に基づいてモデルを訓練し、「正常な」データ分布と定義する。
推測では, 「正常」 トレーニングデータから逸脱するパターンを示すため, 新しい画像の病理を「異常」として分類することを目的としている。
一般的な手法は'失敗と再構築'のパラダイムに従う。
彼らは意図的に入力画像を破壊し、学習した'正規'分布に従って再構成し、その後、再構成エラーに基づいてセグメント異常を分割する。
しかし、入力画像の破壊は必然的に、通常の領域でも最適でない再構成をもたらし、偽陽性を引き起こす。
これを軽減するために,IterMask2 を用いた新しい空間マスク修復手法を提案する。
我々は、画像の領域を反復的にマスクし、再構成し、復元誤差に基づいてマスクを更新する。
この反復的プロセスは、モデルと同様に確実に正常な領域に関する情報を徐々に追加します。
内容量の増加は、近隣のマスク領域の再構築をガイドし、これらの領域における正常組織の再構築を改善し、偽陽性を減少させる。
また、副入力として高周波画像コンテンツを使用し、マスク領域に付加的な構造情報を提供する。
これにより、異常領域と比較して正常な再構成誤差が向上し、後者のセグメンテーションが容易になる。
いくつかの脳病変データセットの実験を行い,本手法の有効性を実証した。
コードは、https://github.com/ZiyunLiang/IterMasks2で入手できる。
関連論文リスト
- 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) - Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。
既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。
本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-31T13:12:41Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Not All Image Regions Matter: Masked Vector Quantization for
Autoregressive Image Generation [78.13793505707952]
既存の自己回帰モデルは、まず画像再構成のための潜伏空間のコードブックを学習し、学習したコードブックに基づいて自己回帰的に画像生成を完了する2段階生成パラダイムに従っている。
そこで本研究では,Masked Quantization VAE (MQ-VAE) Stackモデルを用いた2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-23T02:15:53Z) - Industrial and Medical Anomaly Detection Through Cycle-Consistent
Adversarial Networks [0.6554326244334868]
産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。
提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。
その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
論文 参考訳（メタデータ） (2023-02-10T10:25:12Z) - Masked Transformer for image Anomaly Localization [14.455765147827345]
パッチマスキングを用いたビジョントランスフォーマーアーキテクチャに基づく画像異常検出のための新しいモデルを提案する。
マルチレゾリューションパッチとその集合埋め込みは,モデルの性能を大幅に向上させることを示す。
提案モデルはMVTecや頭部CTなどの一般的な異常検出データセットでテストされている。
論文 参考訳（メタデータ） (2022-10-27T15:30:48Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳（メタデータ） (2021-11-17T13:30:31Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation [31.396372591714695]
unsupervised anomaly segmentation (UAS) は医療画像コミュニティにおいて有望な分野である。
本稿では,健康データ分布のモデル化過程における健康な解剖学の意味空間について紹介する。
BraTSとISLESデータベースの実験結果は、提案されたアプローチが大幅に優れたパフォーマンスを達成することを示しています。
論文 参考訳（メタデータ） (2021-03-16T14:15:30Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳（メタデータ） (2020-07-01T20:48:35Z)
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。