論文の概要: Conditional diffusion models for guided anomaly detection in brain images using fluid-driven anomaly randomization

• arxiv url: http://arxiv.org/abs/2506.10233v1
• Date: Wed, 11 Jun 2025 23:27:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.489569
• Title: Conditional diffusion models for guided anomaly detection in brain images using fluid-driven anomaly randomization
• Title（参考訳）: 流体駆動型異常ランダム化を用いた脳画像における誘導異常検出のための条件拡散モデル
• Authors: Ana Lawry Aguila, Peirong Liu, Oula Puonti, Juan Eugenio Iglesias,
• Abstract要約: 脳MRIにおける異常検出と正常画像再構成のための新しい条件拡散モデルフレームワークを提案する。 我々の弱教師付きアプローチは、合成された擬似病理像をモデリングプロセスに統合し、健康な画像の再構築をより良く指導する。 我々は,ATLASデータセットから合成異常データセットと実病態の両方を用いて,本モデルの病理診断能力を評価する。
• 参考スコア（独自算出の注目度）: 4.570902159763305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised machine learning has enabled accurate pathology detection in brain MRI, but requires training data from diseased subjects that may not be readily available in some scenarios, for example, in the case of rare diseases. Reconstruction-based unsupervised anomaly detection, in particular using diffusion models, has gained popularity in the medical field as it allows for training on healthy images alone, eliminating the need for large disease-specific cohorts. These methods assume that a model trained on normal data cannot accurately represent or reconstruct anomalies. However, this assumption often fails with models failing to reconstruct healthy tissue or accurately reconstruct abnormal regions i.e., failing to remove anomalies. In this work, we introduce a novel conditional diffusion model framework for anomaly detection and healthy image reconstruction in brain MRI. Our weakly supervised approach integrates synthetically generated pseudo-pathology images into the modeling process to better guide the reconstruction of healthy images. To generate these pseudo-pathologies, we apply fluid-driven anomaly randomization to augment real pathology segmentation maps from an auxiliary dataset, ensuring that the synthetic anomalies are both realistic and anatomically coherent. We evaluate our model's ability to detect pathology, using both synthetic anomaly datasets and real pathology from the ATLAS dataset. In our extensive experiments, our model: (i) consistently outperforms variational autoencoders, and conditional and unconditional latent diffusion; and (ii) surpasses on most datasets, the performance of supervised inpainting methods with access to paired diseased/healthy images.
• Abstract（参考訳）: 監視された機械学習は、脳MRIで正確な病理診断を可能にするが、まれな疾患の場合など、いくつかのシナリオでは容易に利用できないような、疾患のある被験者からのトレーニングデータを必要とする。 再構成に基づく非教師なし異常検出(特に拡散モデルを用いた)は、健康な画像のみのトレーニングを可能にし、大きな疾患特異的コホートの必要性を排除し、医療分野で人気を博している。 これらの方法は、通常のデータに基づいて訓練されたモデルが、正確に異常を表現または再構成できないと仮定する。 しかし、この仮定は、モデルが正常な組織を再構成しなかったり、異常な領域を正確に再構成しなかったり、異常を除去できなかったりすると失敗することが多い。 本研究では,脳MRIにおける異常検出と正常画像再構成のための条件拡散モデルフレームワークを提案する。 我々の弱教師付きアプローチは、合成された擬似病理像をモデリングプロセスに統合し、健康な画像の再構築をより良く指導する。 これらの擬似病理を作成するために、流体駆動型異常ランダム化を適用して、補助的なデータセットから実際の病理セグメントマップを拡大し、合成異常が現実的かつ解剖学的に整合であることを保証する。 我々は,ATLASデータセットから合成異常データセットと実病態の両方を用いて,本モデルの病理診断能力を評価する。 大規模な実験では、私たちのモデルです。 i) 変分オートエンコーダ、条件付き及び非条件付き潜伏拡散を一貫して上回り、 (II)ほとんどのデータセットを上回り,2つの疾患/健康画像にアクセス可能な教師付き塗装法の性能が向上した。

関連論文リスト

• Unraveling Normal Anatomy via Fluid-Driven Anomaly Randomization [3.513196894656874]
  UNA(Unraveling Normal Anatomy, Unraveling Normal Anatomy)を導入した。 本研究では,現実的な病理プロファイルを無制限に生成する流体駆動型異常ランダム化手法を提案する。 健常な脳解剖の再構築におけるUNAの有効性を実証し,その異常検出への直接的応用を示す。
  論文  参考訳（メタデータ） (2025-01-23T04:17:20Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
  拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。 提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。 提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
  論文  参考訳（メタデータ） (2024-11-06T15:43:51Z)
• 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)
• 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)
• Modality Cycles with Masked Conditional Diffusion for Unsupervised Anomaly Segmentation in MRI [2.5847188023177403]
  教師なしの異常セグメンテーションは、トレーニング中に処理されたパターンとは異なるパターンを検出することを目的としている。 本稿では,マルチモーダルMRIにおける様々なパターンにまたがる異常のセグメンテーションを可能にするMMCCD(Masked Modality Cycles with Conditional Diffusion)を提案する。 本稿では,画像再構成とデノナイズに基づく教師なし手法と,オートエンコーダや拡散モデルとの比較を行った。
  論文  参考訳（メタデータ） (2023-08-30T17:16:02Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)
• 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。