論文の概要: SD-MAD: Sign-Driven Few-shot Multi-Anomaly Detection in Medical Images

• arxiv url: http://arxiv.org/abs/2505.16659v1
• Date: Thu, 22 May 2025 13:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.319949
• Title: SD-MAD: Sign-Driven Few-shot Multi-Anomaly Detection in Medical Images
• Title（参考訳）: SD-MAD : 医用画像における符号駆動型Few-shot Multi-Anomaly Detection
• Authors: Kaiyu Guo, Tan Pan, Chen Jiang, Zijian Wang, Brian C. Lovell, Limei Han, Yuan Cheng, Mahsa Baktashmotlagh,
• Abstract要約: SD-MADは2段階の符号駆動型複数ショット検出フレームワークである。 SD-MADの性能を包括的に定量化する3つのプロトコルを提案する。
• 参考スコア（独自算出の注目度）: 20.315592081817595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical anomaly detection (AD) is crucial for early clinical intervention, yet it faces challenges due to limited access to high-quality medical imaging data, caused by privacy concerns and data silos. Few-shot learning has emerged as a promising approach to alleviate these limitations by leveraging the large-scale prior knowledge embedded in vision-language models (VLMs). Recent advancements in few-shot medical AD have treated normal and abnormal cases as a one-class classification problem, often overlooking the distinction among multiple anomaly categories. Thus, in this paper, we propose a framework tailored for few-shot medical anomaly detection in the scenario where the identification of multiple anomaly categories is required. To capture the detailed radiological signs of medical anomaly categories, our framework incorporates diverse textual descriptions for each category generated by a Large-Language model, under the assumption that different anomalies in medical images may share common radiological signs in each category. Specifically, we introduce SD-MAD, a two-stage Sign-Driven few-shot Multi-Anomaly Detection framework: (i) Radiological signs are aligned with anomaly categories by amplifying inter-anomaly discrepancy; (ii) Aligned signs are selected further to mitigate the effect of the under-fitting and uncertain-sample issue caused by limited medical data, employing an automatic sign selection strategy at inference. Moreover, we propose three protocols to comprehensively quantify the performance of multi-anomaly detection. Extensive experiments illustrate the effectiveness of our method.
• Abstract（参考訳）: 医学的異常検出(AD)は早期臨床介入には不可欠であるが、プライバシの懸念とデータサイロによって引き起こされる高品質な医療画像データへのアクセスが制限されているため、課題に直面している。 視覚言語モデル(VLM)に埋め込まれた大規模な事前知識を活用することで、これらの制限を緩和するための有望なアプローチとして、ショットラーニングが登場した。 近年, 数発のADの進歩により, 正常例と異常症例が一級分類問題として扱われ, しばしば複数の異常カテゴリーの区別を見落としている。 そこで本研究では,複数の異常カテゴリの識別が必要なシナリオにおいて,数発の異常検出に適したフレームワークを提案する。 医用画像の様々な異常が各カテゴリに共通する可能性があることを前提として,大言語モデルにより生成された各カテゴリについて,詳細な放射線学的徴候を抽出するために,多種多様なテキスト記述を組み込んだ。 具体的には、SD-MADという2段階の署名駆動型複数ショット検出フレームワークを紹介します。 一 異色性差を増幅し、異色度に整列すること。 二 医療データ不足による不適合及び不確実な問題の影響を軽減するため、推論時に自動標識選択戦略を用いて、更にアライメントされた標識を選定する。 さらに,マルチアノマリー検出の性能を包括的に定量化する3つのプロトコルを提案する。 大規模な実験により,本手法の有効性が示された。

関連論文リスト

• MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
  異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。 医学的ADのための多くの方法が出現したにもかかわらず、公平で包括的な評価が欠如しているため、明確な結論が得られなかった。 本稿では,この問題に対処するため,比較を統一したベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-04-06T06:18:11Z)
• 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)
• Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
  教師なし異常検出は、より広い範囲の異常を識別する可能性がある。 既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。 Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T14:02:56Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。