論文の概要: Unsupervised Patch-GAN with Targeted Patch Ranking for Fine-Grained Novelty Detection in Medical Imaging
- arxiv url: http://arxiv.org/abs/2501.17906v1
- Date: Wed, 29 Jan 2025 14:32:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:14:16.198559
- Title: Unsupervised Patch-GAN with Targeted Patch Ranking for Fine-Grained Novelty Detection in Medical Imaging
- Title(参考訳): 医用画像における非教師的パッチ-GANと標的パッチ-GANによる微細なノベルティ検出
- Authors: Jingkun Chen, Guang Yang, Xiao Zhang, Jingchao Peng, Tianlu Zhang, Jianguo Zhang, Jungong Han, Vicente Grau,
- Abstract要約: 本稿では,異常検出と局所化のための非教師付きPatch-GANフレームワークを提案する。
筆者らのフレームワークは,まずマスク付き画像を再構成して,きめ細かな正常な特徴を学習する。
これらの再構成画像をパッチに分割することにより,より粒度の細かい異常を同定する。
- 参考スコア(独自算出の注目度): 46.25959260296683
- License:
- Abstract: Detecting novel anomalies in medical imaging is challenging due to the limited availability of labeled data for rare abnormalities, which often display high variability and subtlety. This challenge is further compounded when small abnormal regions are embedded within larger normal areas, as whole-image predictions frequently overlook these subtle deviations. To address these issues, we propose an unsupervised Patch-GAN framework designed to detect and localize anomalies by capturing both local detail and global structure. Our framework first reconstructs masked images to learn fine-grained, normal-specific features, allowing for enhanced sensitivity to minor deviations from normality. By dividing these reconstructed images into patches and assessing the authenticity of each patch, our approach identifies anomalies at a more granular level, overcoming the limitations of whole-image evaluation. Additionally, a patch-ranking mechanism prioritizes regions with higher abnormal scores, reinforcing the alignment between local patch discrepancies and the global image context. Experimental results on the ISIC 2016 skin lesion and BraTS 2019 brain tumor datasets validate our framework's effectiveness, achieving AUCs of 95.79% and 96.05%, respectively, and outperforming three state-of-the-art baselines.
- Abstract(参考訳): 医療画像における新しい異常を検出することは、まれな異常に対するラベル付きデータの入手が限られており、しばしば高いばらつきと微妙さを示すため、困難である。
この課題は、小さな異常領域がより大きな通常の領域に埋め込まれているときにさらに複雑になる。
これらの問題に対処するために,局所的な詳細とグローバルな構造の両方を捉えることにより,異常の検出と局所化を目的とした,教師なしのPatch-GANフレームワークを提案する。
筆者らのフレームワークは,まずマスク付き画像を再構成して,きめ細かな正常な特徴を学習し,正規性からの微妙な偏差に対する感度を高める。
これらの再構成画像をパッチに分割し,各パッチの信頼性を評価することにより,より粒度の細かい異常を識別し,画像全体評価の限界を克服する。
さらに、パッチグレード機構は、局所的なパッチ不一致とグローバルなイメージコンテキストとの整合性を強化し、より高い異常スコアを持つ領域を優先順位付けする。
ISIC 2016皮膚病変とBraTS 2019脳腫瘍データセットの実験結果は、我々のフレームワークの有効性を検証し、それぞれ95.79%と96.05%のAUCを達成し、3つの最先端ベースラインを上回った。
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) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳(メタデータ) (2024-07-17T09:27:41Z) - 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) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-03-19T09:28:19Z) - Weakly Supervised Anomaly Detection for Chest X-Ray Image [6.506869371228188]
胸部X線検査のための弱教師付き異常検出フレームワークを提案する。
WSCXRは、まず、正常な特徴と異常な特徴のセットをそれぞれ構築する。
その後、異常特徴抽出により正常領域の特徴を排除し、異常画像の特徴を洗練する。
論文 参考訳(メタデータ) (2023-11-16T07:53:34Z) - Unsupervised anomaly localization in high-resolution breast scans using deep pluralistic image completion [5.911215493148418]
デジタル乳房共生(DBT)における腫瘍自動検出は, 天然腫瘍の出現率, 乳房組織の変化, 高分解能のため難しい課題である。
機械学習におけるほとんどの異常なローカライゼーション研究は、非医療的なデータセットに焦点を当てている。
論文 参考訳(メタデータ) (2023-05-04T18:28:09Z) - Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。
本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。
2つの公開データセットで最先端の結果を得る。
論文 参考訳(メタデータ) (2021-06-13T11:20:31Z) - Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。
これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。
複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-23T18:45:55Z)
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。