論文の概要: Exploring Out-of-distribution Detection for Sparse-view Computed Tomography with Diffusion Models

• arxiv url: http://arxiv.org/abs/2411.06308v1
• Date: Sat, 09 Nov 2024 23:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:08.343429
• Title: Exploring Out-of-distribution Detection for Sparse-view Computed Tomography with Diffusion Models
• Title（参考訳）: 拡散モデルを用いたスパースビューCTにおける分布外検出の探索
• Authors: Ezgi Demircan-Tureyen, Felix Lucka, Tristan van Leeuwen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.6704428692159
• License:
• Abstract: Recent works demonstrate the effectiveness of diffusion models as unsupervised solvers for inverse imaging problems. Sparse-view computed tomography (CT) has greatly benefited from these advancements, achieving improved generalization without reliance on measurement parameters. However, this comes at the cost of potential hallucinations, especially when handling out-of-distribution (OOD) data. To ensure reliability, it is essential to study OOD detection for CT reconstruction across both clinical and industrial applications. This need further extends to enabling the OOD detector to function effectively as an anomaly inspection tool. In this paper, we explore the use of a diffusion model, trained to capture the target distribution for CT reconstruction, as an in-distribution prior. Building on recent research, we employ the model to reconstruct partially diffused input images and assess OOD-ness through multiple reconstruction errors. Adapting this approach for sparse-view CT requires redefining the notions of "input" and "reconstruction error". Here, we use filtered backprojection (FBP) reconstructions as input and investigate various definitions of reconstruction error. Our proof-of-concept experiments on the MNIST dataset highlight both successes and failures, demonstrating the potential and limitations of integrating such an OOD detector into a CT reconstruction system. Our findings suggest that effective OOD detection can be achieved by comparing measurements with forward-projected reconstructions, provided that reconstructions from noisy FBP inputs are conditioned on the measurements. However, conditioning can sometimes lead the OOD detector to inadvertently reconstruct OOD images well. To counter this, we introduce a weighting approach that improves robustness against highly informative OOD measurements, albeit with a trade-off in performance in certain cases.
• Abstract（参考訳）: 近年の研究では、逆画像問題に対する教師なし解法としての拡散モデルの有効性が示されている。 Sparse-view Computed Tomography (CT) はこれらの進歩の恩恵を受けており, 測定パラメータに依存しない一般化を実現している。 しかしこれは、特にアウト・オブ・ディストリビューション(OOD)データを扱う場合、潜在的幻覚のコストがかかる。 信頼性を確保するため,臨床および産業の分野でのCT再構成におけるOOD検出の研究が不可欠である。 これにより、OOD検出器が異常検査ツールとして効果的に機能できるようにさらに拡張する必要がある。 本稿では,CT再構成の目標分布を事前分布として捉えるための拡散モデルの利用について検討する。 近年の研究では, このモデルを用いて, 部分拡散画像の再構成を行い, 複数回の再構成誤差によるOOD濃度の評価を行った。 スパースビューCTにこのアプローチを適用するには、"インプット"と"再構成エラー"の概念を再定義する必要がある。 ここでは, フィルタバックプロジェクション (FBP) を入力とし, 種々の再構成誤差の定義について検討する。 MNISTデータセットにおける概念実証実験では、成功と失敗の両方が強調され、そのようなOOD検出器をCT再構成システムに統合する可能性と限界が示された。 以上の結果から, ノイズの多いFBP入力からの再構成を条件として, 前向きの再構成と比較することにより, 有効なOOD検出が可能であることが示唆された。 しかし、コンディショニングによってOOD検出器が不注意にOODイメージを再構成することがある。 これに対応するために,一部のケースでは性能のトレードオフはあるものの,高度に情報性の高いOOD測定に対するロバスト性を向上させる重み付け手法を導入する。

関連論文リスト

• Unsupervised Hybrid framework for ANomaly Detection (HAND) -- applied to Screening Mammogram [5.387300498478745]
  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。
  論文  参考訳（メタデータ） (2024-09-17T20:12:50Z)
• 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)
• Exploiting Diffusion Prior for Out-of-Distribution Detection [11.11093497717038]
  堅牢な機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 拡散モデルの生成能力とCLIPの強力な特徴抽出能力を活用する新しいOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T23:55:25Z)
• 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)
• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• SR-OOD: Out-of-Distribution Detection via Sample Repairing [48.272537939227206]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習モデルの信頼性と堅牢性を保証するための重要なタスクである。 近年の研究では、生成モデルはOODサンプルに高い信頼度を割り当てることがしばしばあり、データのセマンティックな情報を捕捉できないことが示されている。 我々は,サンプル修復の利点を生かし,新しいOOD検出フレームワーク,SR-OODを提案する。 本フレームワークは,OOD検出における最先端な生成手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-05-26T16:35:20Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• Out-of-Distribution Detection with Reconstruction Error and Typicality-based Penalty [3.7277730514654555]
  正規化フロー(NF)を用いた再構成誤りに基づく新しい手法を提案する。 Preは分布内多様体の外側にあるテスト入力を検出するため、OODの例と同様に敵の例を効果的に検出する。 自然画像データセット, CIFAR-10, TinyImageNet, ILSVRC2012 を用いて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-12-24T03:10:28Z)
• Unsupervised Lesion Detection via Image Restoration with a Normative Prior [6.495883501989547]
  本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。 脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-30T18:03:18Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。