論文の概要: MAD-AD: Masked Diffusion for Unsupervised Brain Anomaly Detection

• arxiv url: http://arxiv.org/abs/2502.16943v1
• Date: Mon, 24 Feb 2025 08:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:52:36.768851
• Title: MAD-AD: Masked Diffusion for Unsupervised Brain Anomaly Detection
• Title（参考訳）: MAD-AD: 教師なし脳異常検出のためのマスク付き拡散法
• Authors: Farzad Beizaee, Gregory Lodygensky, Christian Desrosiers, Jose Dolz,
• Abstract要約: 脳画像における教師なし異常検出は、ラベルにアクセスせずに損傷や病理を識別するために重要である。 本研究では,拡散モデルにマスキングを組み込んだ新しい手法を提案し,その生成能力を活用して正常脳解剖学の堅牢な表現を学習する。 提案手法は,既存の教師なし異常検出手法を超越し,高精度な正常な異常発生と局所的異常発生に優れた性能を示す。
• 参考スコア（独自算出の注目度）: 15.572896213775438
• License:
• Abstract: Unsupervised anomaly detection in brain images is crucial for identifying injuries and pathologies without access to labels. However, the accurate localization of anomalies in medical images remains challenging due to the inherent complexity and variability of brain structures and the scarcity of annotated abnormal data. To address this challenge, we propose a novel approach that incorporates masking within diffusion models, leveraging their generative capabilities to learn robust representations of normal brain anatomy. During training, our model processes only normal brain MRI scans and performs a forward diffusion process in the latent space that adds noise to the features of randomly-selected patches. Following a dual objective, the model learns to identify which patches are noisy and recover their original features. This strategy ensures that the model captures intricate patterns of normal brain structures while isolating potential anomalies as noise in the latent space. At inference, the model identifies noisy patches corresponding to anomalies and generates a normal counterpart for these patches by applying a reverse diffusion process. Our method surpasses existing unsupervised anomaly detection techniques, demonstrating superior performance in generating accurate normal counterparts and localizing anomalies. The code is available at hhttps://github.com/farzad-bz/MAD-AD.
• Abstract（参考訳）: 脳画像における教師なし異常検出は、ラベルにアクセスせずに損傷や病理を識別するために重要である。 しかし、脳構造の複雑さと変動性、および注釈付き異常データの不足により、医用画像における異常の正確な局在は依然として困難である。 この課題に対処するために、我々は拡散モデルにマスキングを組み込んだ新しいアプローチを提案し、それらの生成能力を活用して、正常な脳解剖学の堅牢な表現を学習する。 トレーニング中、我々のモデルは正常な脳MRIスキャンのみを処理し、ランダムに選択されたパッチの特徴にノイズを加える潜在空間における前方拡散プロセスを実行する。 二重目的の後、モデルはどのパッチがうるさいかを特定し、元の機能を復元する。 この戦略は、モデルが通常の脳構造の複雑なパターンを捉えながら、潜在空間のノイズとして潜在的な異常を分離することを保証する。 推測において、モデルは異常に対応するノイズパッチを特定し、逆拡散プロセスを適用してこれらのパッチに対して正常なパッチを生成する。 提案手法は,既存の教師なし異常検出手法を超越し,高精度な正常な異常発生と局所的異常発生に優れた性能を示す。 コードはhhttps://github.com/farzad-bz/MAD-ADで公開されている。

関連論文リスト

• Unsupervised Detection of Fetal Brain Anomalies using Denoising Diffusion Models [7.288800350138796]
  拡散モデルを用いて胎児脳の異常検出を教師なしタスクとする。 実世界の臨床データセットを用いた実験は、胎児脳の異常検出に教師なしの手法を用いることの可能性を示している。
  論文  参考訳（メタデータ） (2024-08-07T09:40:26Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images [40.89943932086941]
  脳画像における教師なし異常検出のためのMasked Autoencoder-enhanced Diffusion Model (MAEDiff)を提案する。 MAEDiffは、階層的なパッチ分割を含む。上層パッチを重畳して健全なイメージを生成し、サブレベルパッチで動作するマスク付きオートエンコーダに基づくメカニズムを実装し、未通知領域の状態を高める。
  論文  参考訳（メタデータ） (2024-01-19T08:54:54Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• Diffusion Models for Medical Anomaly Detection [0.8999666725996974]
  本稿では,拡散暗黙的モデルに基づく弱教師付き異常検出手法を提案する。 本手法は,複雑な訓練手順を必要とせずに,非常に詳細な異常マップを生成する。
  論文  参考訳（メタデータ） (2022-03-08T12:35:07Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)

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。