論文の概要: Is Hyperbolic Space All You Need for Medical Anomaly Detection?

• arxiv url: http://arxiv.org/abs/2505.21228v1
• Date: Tue, 27 May 2025 14:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.708179
• Title: Is Hyperbolic Space All You Need for Medical Anomaly Detection?
• Title（参考訳）: ハイパーボリック・スペースは医療用異常検出に必要か?
• Authors: Alvaro Gonzalez-Jimenez, Simone Lionetti, Ludovic Amruthalingam, Philippe Gottfrois, Fabian Gröger, Marc Pouly, Alexander A. Navarini,
• Abstract要約: 医療異常検出は、データの可用性とラベル付けの制約の課題に対する、有望な解決策として登場した。 伝統的手法はユークリッド空間における事前訓練されたネットワークの異なる層から特徴を抽出する。 本稿では, 特徴表現を双曲空間に投影し, 信頼度に基づいてそれらを集約し, サンプルを健康的, 異常に分類する手法を提案する。
• 参考スコア（独自算出の注目度）: 36.962599292942755
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical anomaly detection has emerged as a promising solution to challenges in data availability and labeling constraints. Traditional methods extract features from different layers of pre-trained networks in Euclidean space; however, Euclidean representations fail to effectively capture the hierarchical relationships within these features, leading to suboptimal anomaly detection performance. We propose a novel yet simple approach that projects feature representations into hyperbolic space, aggregates them based on confidence levels, and classifies samples as healthy or anomalous. Our experiments demonstrate that hyperbolic space consistently outperforms Euclidean-based frameworks, achieving higher AUROC scores at both image and pixel levels across multiple medical benchmark datasets. Additionally, we show that hyperbolic space exhibits resilience to parameter variations and excels in few-shot scenarios, where healthy images are scarce. These findings underscore the potential of hyperbolic space as a powerful alternative for medical anomaly detection. The project website can be found at https://hyperbolic-anomalies.github.io
• Abstract（参考訳）: 医療異常検出は、データの可用性とラベル付けの制約の課題に対する、有望な解決策として登場した。 伝統的手法はユークリッド空間における事前学習されたネットワークの異なる層から特徴を抽出するが、ユークリッド表現はこれらの特徴の階層的関係を効果的に捉えることができず、最適でない異常検出性能をもたらす。 本稿では, 特徴表現を双曲空間に投影し, 信頼度に基づいてそれらを集約し, サンプルを健康的, 異常に分類する手法を提案する。 実験により, ハイパーボリック空間はユークリッドベースのフレームワークより常に優れており, 画像および画素レベルのAUROCスコアを複数のベンチマークデータセットで達成していることがわかった。 さらに,ハイパーボリック空間はパラメータの変動に対してレジリエンスを示し,健全な画像が不足する少数のシナリオで優れることを示す。 これらの知見は, 医療的異常検出の強力な代替手段として, 双曲性空間の可能性を強調した。 プロジェクトのWebサイトはhttps://hyperbolic-anomalies.github.ioにある。

関連論文リスト

• CableInspect-AD: An Expert-Annotated Anomaly Detection Dataset [14.246172794156987]
  $textitCableInspect-AD$は、カナダの公共ユーティリティであるHydro-Qu'ebecのドメインエキスパートによって作成、注釈付けされた高品質なデータセットである。 このデータセットには、現実世界の異常に挑戦する高解像度の画像が含まれており、さまざまな重度レベルの欠陥をカバーしている。 モデルの性能を評価するために,クロスバリデーションに基づく包括的評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-09-30T14:50:13Z)
• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• An anatomically-informed 3D CNN for brain aneurysm classification with weak labels [0.2010294990327175]
  弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。 当社のアプローチは,データセット生成の非自明な課題に端を発しています。 本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
  論文  参考訳（メタデータ） (2020-11-27T08:00:54Z)

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。