論文の概要: Unsupervised Hybrid framework for ANomaly Detection (HAND) -- applied to Screening Mammogram

• arxiv url: http://arxiv.org/abs/2409.11534v1
• Date: Tue, 17 Sep 2024 20:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 19:59:44.503648
• Title: Unsupervised Hybrid framework for ANomaly Detection (HAND) -- applied to Screening Mammogram
• Title（参考訳）: アニマリー検出(HAND)のための教師なしハイブリッドフレームワーク-スクリーニングマンモグラフィーへの応用
• Authors: Zhemin Zhang, Bhavika Patel, Bhavik Patel, Imon Banerjee,
• Abstract要約: マンモグラムスクリーニングに使用されるAIモデルの一般化を促進するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 我々は,大規模デジタル検診マンモグラムからOODを検出する新しいバックボーン,HANDを開発した。 Hand Pipelineは、外部スクリーニングマンモグラムにおけるドメイン固有の品質チェックのための、自動化された効率的な計算ソリューションを提供する。
• 参考スコア（独自算出の注目度）: 5.387300498478745
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Out-of-distribution (OOD) detection is crucial for enhancing the generalization of AI models used in mammogram screening. Given the challenge of limited prior knowledge about OOD samples in external datasets, unsupervised generative learning is a preferable solution which trains the model to discern the normal characteristics of in-distribution (ID) data. The hypothesis is that during inference, the model aims to reconstruct ID samples accurately, while OOD samples exhibit poorer reconstruction due to their divergence from normality. Inspired by state-of-the-art (SOTA) hybrid architectures combining CNNs and transformers, we developed a novel backbone - HAND, for detecting OOD from large-scale digital screening mammogram studies. To boost the learning efficiency, we incorporated synthetic OOD samples and a parallel discriminator in the latent space to distinguish between ID and OOD samples. Gradient reversal to the OOD reconstruction loss penalizes the model for learning OOD reconstructions. An anomaly score is computed by weighting the reconstruction and discriminator loss. On internal RSNA mammogram held-out test and external Mayo clinic hand-curated dataset, the proposed HAND model outperformed encoder-based and GAN-based baselines, and interestingly, it also outperformed the hybrid CNN+transformer baselines. Therefore, the proposed HAND pipeline offers an automated efficient computational solution for domain-specific quality checks in external screening mammograms, yielding actionable insights without direct exposure to the private medical imaging data.
• Abstract（参考訳）: マンモグラムスクリーニングに使用されるAIモデルの一般化を促進するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 外部データセットにおけるOODサンプルに関する事前知識の制限という課題を考えると、教師なし生成学習は、モデルに分布内データ(ID)の通常の特性を識別するように訓練する好適な方法である。 仮説は, モデルがIDサンプルを正確に再構成することを目的としているのに対して, OODサンプルは正常性から逸脱しているため, より貧弱な再構成を示すというものである。 CNNとトランスフォーマーを組み合わせたSOTA(State-of-the-art)ハイブリッドアーキテクチャに着想を得て,大規模デジタル検診マンモグラフィーからOODを検出する新しいバックボーンHANDを開発した。 学習効率を向上させるため,IDとOODを識別するために,合成OODサンプルと並列識別器を潜時空間に組み込んだ。 OOD再建損失に対するグラディエント逆転は、OOD再建の学習モデルにペナルティを与える。 再構成と判別器損失を重み付けして異常スコアを算出する。 内部のRSNAマンモグラムホールドアウトテストとマヨクリニックの手計算データセットでは、提案されたHANDモデルはエンコーダベースおよびGANベースラインより優れており、興味深いことに、ハイブリッドCNN+トランスフォーマーベースラインよりも優れていた。 したがって,提案したHANDパイプラインは,外部検診における領域固有の品質チェックを自動で効率よく計算し,医用画像データに直接曝露することなく,実用的な洞察を得られる。

関連論文リスト

• Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection [30.02748131967826]
  教師なしのアウト・オブ・ディストリビューション(OOD)検出は、未ラベルのIn-Distribution(ID)トレーニングサンプルからのみ学習することで、ドメイン外のデータを識別することを目的としている。 現在の再構成手法は, 画素/機能空間における入力と対応する生成物間の再構成誤差を測定することで, 優れた代替手法を提供する。 拡散に基づく階層的意味再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-11-16T04:54:07Z)
• Exploring Out-of-distribution Detection for Sparse-view Computed Tomography with Diffusion Models [1.6704428692159]
  本研究は,CT再構成における目標分布を非分布として捉えるために訓練された拡散モデルの使用について検討する。 このモデルを用いて, 部分拡散画像の再構成を行い, 複数の再構成誤差によるOOD評価を行う。 以上の結果から,OOD検出の有効性は,前向きの再建法と比較することで達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-09T23:17:42Z)
• Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。 テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
  論文  参考訳（メタデータ） (2024-09-08T17:28:22Z)
• TTA-OOD: Test-time Augmentation for Improving Out-of-Distribution Detection in Gastrointestinal Vision [6.290783164114315]
  テスト時間拡張セグメントをOOD検出パイプラインに導入する。 この拡張は画素空間をシフトさせ、OOD例のより明確な意味表現へと変換する。 我々は既存のOODスコアに対して評価を行った。
  論文  参考訳（メタデータ） (2024-07-19T04:50:54Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• CVAD: A generic medical anomaly detector based on Cascade VAE [2.647674705784439]
  我々は、医用画像におけるOOD検出の一般化性に着目し、自己教師付きカスケード変量自動エンコーダに基づく異常検出器(CVAD)を提案する。 我々は,複数のスケールで潜在表現を結合した変分オートエンコーダのカスケードアーキテクチャを用いて,OODデータを分布内(ID)データと区別するために識別器に供給する。 我々は、最先端のディープラーニングモデルと比較し、クラス内およびクラス間OODのための様々なオープンアクセス医療画像データセットにおいて、我々のモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2021-10-29T14:20:43Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。