論文の概要: Self-Supervised Masked Mesh Learning for Unsupervised Anomaly Detection on 3D Cortical Surfaces

• arxiv url: http://arxiv.org/abs/2412.05580v2
• Date: Fri, 10 Jan 2025 17:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 18:45:12.303849
• Title: Self-Supervised Masked Mesh Learning for Unsupervised Anomaly Detection on 3D Cortical Surfaces
• Title（参考訳）: 3次元皮質表面における教師なし異常検出のための自己教師付きマスケッドメッシュ学習
• Authors: Hao-Chun Yang, Sicheng Dai, Saige Rutherford, Christian Gaser, Andre F Marquand, Christian F Beckmann, Thomas Wolfers,
• Abstract要約: 脳画像における教師なし異常検出は困難である。 3次元皮質表面における異常検出のための自己教師付きマスクメッシュ学習を提案する。 本フレームワークはアルツハイマー病のバイオマーカーとして知られ, 皮質厚, 皮質容積, 皮質sulcusの特徴の異常を検出することができる。
• 参考スコア（独自算出の注目度）: 3.501236903850443
• License:
• Abstract: Unsupervised anomaly detection in brain imaging is challenging. In this paper, we propose a self-supervised masked mesh learning for unsupervised anomaly detection in 3D cortical surfaces. Our framework leverages the intrinsic geometry of the cortical surface to learn a self-supervised representation that captures the underlying structure of the brain. We introduce a masked mesh convolutional neural network (MMN) that learns to predict masked regions of the cortical surface. By training the MMN on a large dataset of healthy subjects, we learn a representation that captures the normal variation in the cortical surface. We then use this representation to detect anomalies in unseen individuals by calculating anomaly scores based on the reconstruction error of the MMN. We evaluate our framework by training on population-scale dataset UKB and HCP-Aging and testing on two datasets of Alzheimer's disease patients ADNI and OASIS3. Our results show that our framework can detect anomalies in cortical thickness, cortical volume, and cortical sulcus features, which are known to be sensitive biomarkers for Alzheimer's disease. Our proposed framework provides a promising approach for unsupervised anomaly detection based on normative variation of cortical features.
• Abstract（参考訳）: 脳画像における教師なし異常検出は困難である。 本稿では、3次元皮質表面における教師なし異常検出のための自己教師付きマスクメッシュ学習を提案する。 我々のフレームワークは、皮質表面の内在的幾何学を利用して、脳の基盤構造を捉えた自己監督的表現を学習する。 我々は,大脳皮質表面のマスキング領域を予測するために,マスクメッシュ畳み込みニューラルネットワーク(MMN)を導入する。 健康な被験者の大規模なデータセット上でMMNを訓練することにより、皮質表面の正常な変動を捉える表現を学習する。 次に、この表現を用いて、MMNの再構成誤差に基づいて異常スコアを計算することにより、未確認個体の異常を検出する。 人口規模データセット UKB と HCP-Aging をトレーニングし,アルツハイマー病患者 ADNI と OASIS3 の2つのデータセットの試験を行った。 以上の結果から,本フレームワークは,アルツハイマー病に対する感受性バイオマーカーとして知られ,皮質厚み,皮質容積,皮質sulcusの特徴の異常を検出することが可能であることが示唆された。 提案フレームワークは,皮質特徴の規範的変動に基づく教師なし異常検出のための有望なアプローチを提供する。

関連論文リスト

• Self-supervised learning for classifying paranasal anomalies in the maxillary sinus [31.45131665942058]
  自己教師付き学習は、ラベルのないデータから表現を学習するために使用することができる。 上顎洞の副鼻腔奇形を分類する下流タスクのために設計されたSSLメソッドはない。 提案手法では,教師なし異常検出フレームワークで訓練された3次元畳み込みオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2024-04-29T11:14:11Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• nnDetection for Intracranial Aneurysms Detection and Localization [2.7998963147546148]
  頭蓋内動脈瘤は一般的に発生し、生命を脅かす状態であり、人口の約3.2%に影響を及ぼす。 本研究では,脳動脈瘤の3次元座標を効果的に検出・ローカライズするために,3次元医用物体検出に特化して設計された自己設定フレームワークであるnnDetectionフレームワークを用いた。
  論文  参考訳（メタデータ） (2023-05-22T18:18:26Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Self-Supervised Masking for Unsupervised Anomaly Detection and Localization [22.671913403500728]
  本研究では,ランダムマスキングと復元による自己教師あり学習手法を提案し,SSM(Self-Supervised Masking)と名づけた。 SSMは、塗布ネットワークのトレーニングを強化するだけでなく、推測時のマスク予測の効率を大幅に向上させる。 推論における異常検出と局所化の効率と有効性を改善するために,新しいプログレッシブマスク改良手法を提案する。
  論文  参考訳（メタデータ） (2022-05-13T11:42:06Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• 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)
• 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)
• 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。