論文の概要: Unsupervised Detection of Fetal Brain Anomalies using Denoising Diffusion Models

• arxiv url: http://arxiv.org/abs/2408.03654v1
• Date: Wed, 7 Aug 2024 09:40:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-08 13:24:06.977258
• Title: Unsupervised Detection of Fetal Brain Anomalies using Denoising Diffusion Models
• Title（参考訳）: Denoising Diffusion Modelを用いた胎児脳異常の教師なし検出
• Authors: Markus Ditlev Sjøgren Olsen, Jakob Ambsdorf, Manxi Lin, Caroline Taksøe-Vester, Morten Bo Søndergaard Svendsen, Anders Nymark Christensen, Mads Nielsen, Martin Grønnebæk Tolsgaard, Aasa Feragen, Paraskevas Pegios,
• Abstract要約: 拡散モデルを用いて胎児脳の異常検出を教師なしタスクとする。 実世界の臨床データセットを用いた実験は、胎児脳の異常検出に教師なしの手法を用いることの可能性を示している。
• 参考スコア（独自算出の注目度）: 7.288800350138796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Congenital malformations of the brain are among the most common fetal abnormalities that impact fetal development. Previous anomaly detection methods on ultrasound images are based on supervised learning, rely on manual annotations, and risk missing underrepresented categories. In this work, we frame fetal brain anomaly detection as an unsupervised task using diffusion models. To this end, we employ an inpainting-based Noise Agnostic Anomaly Detection approach that identifies the abnormality using diffusion-reconstructed fetal brain images from multiple noise levels. Our approach only requires normal fetal brain ultrasound images for training, addressing the limited availability of abnormal data. Our experiments on a real-world clinical dataset show the potential of using unsupervised methods for fetal brain anomaly detection. Additionally, we comprehensively evaluate how different noise types affect diffusion models in the fetal anomaly detection domain.
• Abstract（参考訳）: 脳の先天性奇形は胎児の発生に影響を与える最も一般的な胎児の異常の一つである。 従来の超音波画像の異常検出手法は,教師付き学習,手動アノテーションの活用,未表現のカテゴリの欠如に基づく。 本研究では、拡散モデルを用いて胎児脳異常検出を教師なしタスクとしてフレーム化する。 そこで本研究では,複数のノイズレベルからの拡散再構成胎児脳画像を用いて,その異常を識別する,塗料をベースとしたノイズ非依存型異常検出手法を提案する。 本手法では, 正常な胎児脳超音波画像の訓練のみを要し, 異常データの利用率の限界に対処する。 実世界の臨床データセットを用いた実験は、胎児脳の異常検出に教師なしの手法を用いることの可能性を示している。 さらに,胎児異常検出領域において,異なるノイズタイプが拡散モデルに与える影響を包括的に評価した。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• 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)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• 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)
• 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)
• LesionPaste: One-Shot Anomaly Detection for Medical Images [0.6445605125467573]
  本稿では,1つの注釈付きサンプルから真の異常を利用した一発異常検出フレームワークLesionPasteを提案する。 MixUpは、通常の画像のランダムな位置で病変バンクからパッチを貼り付け、トレーニング用の異常サンプルを合成するために使用される。 提案したLesionPasteは,最先端の非教師付きおよび半教師付き異常検出手法よりも優れており,完全教師付き手法と同等である。
  論文  参考訳（メタデータ） (2022-03-12T06:19:10Z)
• Diffusion Models for Medical Anomaly Detection [0.8999666725996974]
  本稿では,拡散暗黙的モデルに基づく弱教師付き異常検出手法を提案する。 本手法は,複雑な訓練手順を必要とせずに,非常に詳細な異常マップを生成する。
  論文  参考訳（メタデータ） (2022-03-08T12:35:07Z)
• 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)
• 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)

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。