論文の概要: PathoSCOPE: Few-Shot Pathology Detection via Self-Supervised Contrastive Learning and Pathology-Informed Synthetic Embeddings
- arxiv url: http://arxiv.org/abs/2505.17614v1
- Date: Fri, 23 May 2025 08:21:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-26 18:08:33.924563
- Title: PathoSCOPE: Few-Shot Pathology Detection via Self-Supervised Contrastive Learning and Pathology-Informed Synthetic Embeddings
- Title（参考訳）: PathoSCOPE:自己監督型コントラスト学習と病理インフォームド・シンセプティック・エンベディングによるFew-Shot Pathology Detection
- Authors: Sinchee Chin, Yinuo Ma, Xiaochen Yang, Jing-Hao Xue, Wenming Yang,
- Abstract要約: 教師なしの病理検出では、非病理データに基づいて、偏差を病理としてモデル化する。
そこで我々は,少数の非病理サンプルのみを必要とする,数発の非教師付き病理診断フレームワークPathoSCOPEを提案する。
PathoSCOPEは計算効率(2.48 GFLOP, 166 FPS)を維持しながら教師なし手法の最先端性能を実現する
- 参考スコア（独自算出の注目度）: 42.42150241818321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised pathology detection trains models on non-pathological data to flag deviations as pathologies, offering strong generalizability for identifying novel diseases and avoiding costly annotations. However, building reliable normality models requires vast healthy datasets, as hospitals' data is inherently biased toward symptomatic populations, while privacy regulations hinder the assembly of representative healthy cohorts. To address this limitation, we propose PathoSCOPE, a few-shot unsupervised pathology detection framework that requires only a small set of non-pathological samples (minimum 2 shots), significantly improving data efficiency. We introduce Global-Local Contrastive Loss (GLCL), comprised of a Local Contrastive Loss to reduce the variability of non-pathological embeddings and a Global Contrastive Loss to enhance the discrimination of pathological regions. We also propose a Pathology-informed Embedding Generation (PiEG) module that synthesizes pathological embeddings guided by the global loss, better exploiting the limited non-pathological samples. Evaluated on the BraTS2020 and ChestXray8 datasets, PathoSCOPE achieves state-of-the-art performance among unsupervised methods while maintaining computational efficiency (2.48 GFLOPs, 166 FPS).
- Abstract（参考訳）: 教師なしの病理診断は、非病理学的データに基づいて、偏差を病理としてフラグ付けし、新しい疾患を識別し、高価なアノテーションを避けるための強力な一般化性を提供する。
しかし、病院のデータが本質的に症状の集団に偏っているのに対して、プライバシー規制は代表的健康コホートの組み立てを妨げるため、信頼性の高い正常性モデルを構築するには膨大な健全なデータセットが必要である。
この制限に対処するため、PathoSCOPEを提案する。PathoSCOPEは、少数の非病理サンプル(最小2ショット)しか必要とせず、データ効率を大幅に改善する。
局所的コントラスト的損失 (GLCL) は, 局所的コントラスト的損失 (Local Contrastive Loss) からなり, 非病理的埋め込みの多様性の低下と, 病理的領域の識別を高めるグローバル・コントラスト的損失 (Global Contrastive Loss) が導入された。
また,世界的損失によって誘導される病的埋め込みを合成し,限られた非病的サンプルを有効活用するPiEG(Pathology-informed Embedding Generation)モジュールを提案する。
BraTS2020とChestXray8データセットに基づいて評価され、PathoSCOPEは計算効率(2.48 GFLOPs、166 FPS)を維持しながら教師なしの手法で最先端のパフォーマンスを達成する。
関連論文リスト
- Uncovering Population PK Covariates from VAE-Generated Latent Spaces [0.24578723416255746]
本稿では,変分オートエンコーダ(VAE)深層学習モデルとLASSOレグレッションを統合したデータ駆動型モデルフリーフレームワークを提案する。
VAEは高次元のPK信号を構造化潜在空間に圧縮し、平均絶対パーセンテージ誤差(MAPE)を2.26%で正確に再構成する。
論文 参考訳（メタデータ） (2025-05-05T09:47:39Z) - Diffusion Models with Implicit Guidance for Medical Anomaly Detection [13.161402789616004]
組織再生のための時間的調和 (THOR) は, 病態の影響を受けない領域における健全な組織の整合性を維持することを目的としている。
相対的な評価では、THORは、脳MRIと手首X線における異常の検出とセグメンテーションにおいて、既存の拡散に基づく手法を超越している。
論文 参考訳（メタデータ） (2024-03-13T12:26:55Z) - Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to
Overcome Data Scarcity [6.802798389355481]
糖尿病網膜症 (DR) 解析課題として, 病変分割, 画像品質評価, DRグレーディングについて検討した。
各タスクに対して,アンサンブル学習,データ強化,半教師付き学習を活用した堅牢な学習手法を導入する。
疑似ラベルの負の効果を低減するため,モデルの信頼度スコアに基づいて不確実な擬似ラベルを除外する信頼性の高い擬似ラベルを提案する。
論文 参考訳（メタデータ） (2022-10-18T03:25:00Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Ensembling Handcrafted Features with Deep Features: An Analytical Study
for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。
以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
論文 参考訳（メタデータ） (2022-02-22T06:48:50Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳（メタデータ） (2020-12-08T02:26:03Z) - Semi-supervised Pathology Segmentation with Disentangled Representations [10.834978793226444]
本稿では,初めて共同で学習しようとする病理分類モデルである解剖-病理解離ネットワーク(APD-Net, Anatomy-Pathology Disentanglement Network)を提案する。
APD-Netは、アノテーションの少ない病理的セグメンテーションを実行し、異なる量の監視で性能を維持し、関連するディープラーニング手法より優れている。
論文 参考訳（メタデータ） (2020-09-05T17:07:59Z) - Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。
ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。
工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文 参考訳（メタデータ） (2020-06-19T20:41:58Z)
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。