論文の概要: Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging
- arxiv url: http://arxiv.org/abs/2408.08456v1
- Date: Thu, 15 Aug 2024 23:46:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 16:59:46.085557
- Title: Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging
- Title(参考訳): 医用画像における分布ドリフトの早期検出のための効率的なデータスケッチとファインチューニング
- Authors: Yusen Wu, Hao Chen, Alex Pissinou Makki, Phuong Nguyen, Yelena Yesha,
- Abstract要約: 本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。
我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。
乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
- 参考スコア(独自算出の注目度): 5.1358645354733765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributional drift detection is important in medical applications as it helps ensure the accuracy and reliability of models by identifying changes in the underlying data distribution that could affect diagnostic or treatment decisions. However, current methods have limitations in detecting drift; for example, the inclusion of abnormal datasets can lead to unfair comparisons. This paper presents an accurate and sensitive approach to detect distributional drift in CT-scan medical images by leveraging data-sketching and fine-tuning techniques. We developed a robust baseline library model for real-time anomaly detection, allowing for efficient comparison of incoming images and identification of anomalies. Additionally, we fine-tuned a vision transformer pre-trained model to extract relevant features using breast cancer images as an example, significantly enhancing model accuracy to 99.11\%. Combining with data-sketches and fine-tuning, our feature extraction evaluation demonstrated that cosine similarity scores between similar datasets provide greater improvements, from around 50\% increased to 100\%. Finally, the sensitivity evaluation shows that our solutions are highly sensitive to even 1\% salt-and-pepper and speckle noise, and it is not sensitive to lighting noise (e.g., lighting conditions have no impact on data drift). The proposed methods offer a scalable and reliable solution for maintaining the accuracy of diagnostic models in dynamic clinical environments.
- Abstract(参考訳): 分布ドリフト検出は、診断や治療決定に影響を与える可能性のある基礎となるデータ分布の変化を特定することによって、モデルの精度と信頼性を確保するため、医療応用において重要である。
しかし、現在の手法ではドリフトの検出に制限があり、例えば異常なデータセットを含むと不公平な比較につながる可能性がある。
本稿では,CTスキャンによる医用画像の分布ドリフトを高精度かつ高感度に検出する手法を提案する。
本研究では,リアルタイム異常検出のためのロバストなベースラインライブラリモデルを構築し,画像の効率的な比較と異常の同定を可能にした。
さらに、乳がん画像を用いて関連特徴を抽出するために、予め訓練した視覚トランスフォーマーモデルを微調整し、モデル精度を99.11\%まで大幅に向上させた。
データスケッチと微調整を組み合わせることで,類似したデータセット間のコサイン類似度スコアが約50倍から100倍に向上することを示した。
最後に, 感度評価の結果, 解法は1\%のソルト・アンド・ペッパーやスペックルノイズにも非常に敏感であり, 照明騒音にも敏感であることがわかった(例えば, 照明条件はデータドリフトに影響を与えない)。
提案手法は, 動的臨床環境における診断モデルの精度を維持するために, スケーラブルで信頼性の高いソリューションを提供する。
関連論文リスト
- Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios [0.0]
マンモグラフィスクリーニングは乳がんの検出に有効な方法であり、早期診断を容易にする。
ディープニューラルネットワークはいくつかの研究で有効であることが示されているが、その傾向は一般化と誤診のリスクをかなり残している。
汎用性を向上させるために、未ペア型ニューラルスタイル転送モデルに基づくデータ拡張スキームが提案されている。
3つのオープンアクセスマンモグラフィーデータセットと1つの非医療画像データセットから解析した画像パッチを用いて、それらの性能を評価する。
論文 参考訳(メタデータ) (2025-01-29T11:09:50Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文 参考訳(メタデータ) (2024-12-30T01:59:34Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳(メタデータ) (2024-11-28T13:04:45Z) - Out-of-Distribution Detection and Data Drift Monitoring using
Statistical Process Control [1.2196109054410231]
機械学習(ML)メソッドは、トレーニングディストリビューションから逸脱したデータで失敗することが多い。
これは、データドリフトが患者の安全を損なう予期せぬパフォーマンスを引き起こす可能性がある、臨床環境でML対応デバイスにとって重要な懸念である。
本稿では,ML 対応統計処理制御(SPC)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-12T22:10:06Z) - 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) - Quantifying the effect of X-ray scattering for data generation in real-time defect detection [1.124958340749622]
インライン検出は高度に正確で堅牢で高速なアルゴリズムを必要とする。
DCNNは、大量のラベル付きデータが利用できる場合、これらの要件を満たす。
X線散乱はシミュレーションするのに計算コストがかかることが知られている。
論文 参考訳(メタデータ) (2023-05-22T08:29:43Z) - 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) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - Efficient remedies for outlier detection with variational autoencoders [8.80692072928023]
深層生成モデルによって計算される類似度は、ラベルなしデータによる外れ値検出の候補メトリックである。
理論的に定位された補正は、VAE推定値による鍵バイアスを容易に改善することを示す。
また,VAEのアンサンブル上で計算される確率の分散により,ロバストな外乱検出が可能となることを示す。
論文 参考訳(メタデータ) (2021-08-19T16:00:58Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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。