論文の概要: Quantitative Benchmarking of Anomaly Detection Methods in Digital Pathology

• arxiv url: http://arxiv.org/abs/2506.19234v1
• Date: Tue, 24 Jun 2025 01:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.434987
• Title: Quantitative Benchmarking of Anomaly Detection Methods in Digital Pathology
• Title（参考訳）: デジタル病理における異常検出手法の定量的ベンチマーク
• Authors: Can Cui, Xindong Zheng, Ruining Deng, Quan Liu, Tianyuan Yao, Keith T Wilson, Lori A Coburn, Bennett A Landman, Haichun Yang, Yaohong Wang, Yuankai Huo,
• Abstract要約: 異常検出は、デジタル病理学の応用において大きな可能性を秘めている。 その大きさ、多スケール構造、染色のばらつき、反復パターンなど、病理画像のユニークな特徴は、現在の異常検出アルゴリズムが解決に苦慮している新しい課題をもたらす。 広範囲な実験を通じて20以上の古典的および一般的な異常検出手法をベンチマークする。
• 参考スコア（独自算出の注目度）: 14.521034802806053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection has been widely studied in the context of industrial defect inspection, with numerous methods developed to tackle a range of challenges. In digital pathology, anomaly detection holds significant potential for applications such as rare disease identification, artifact detection, and biomarker discovery. However, the unique characteristics of pathology images, such as their large size, multi-scale structures, stain variability, and repetitive patterns, introduce new challenges that current anomaly detection algorithms struggle to address. In this quantitative study, we benchmark over 20 classical and prevalent anomaly detection methods through extensive experiments. We curated five digital pathology datasets, both real and synthetic, to systematically evaluate these approaches. Our experiments investigate the influence of image scale, anomaly pattern types, and training epoch selection strategies on detection performance. The results provide a detailed comparison of each method's strengths and limitations, establishing a comprehensive benchmark to guide future research in anomaly detection for digital pathology images.
• Abstract（参考訳）: 異常検出は工業的欠陥検査の文脈で広く研究されており、様々な課題に取り組むために多くの手法が開発されている。 デジタル病理学において、異常検出は希少な疾患の同定、アーティファクト検出、バイオマーカー発見などの応用に重要な可能性を秘めている。 しかし、その大きさ、多スケール構造、染色のばらつき、反復パターンなどの病理画像の特徴は、現在の異常検出アルゴリズムが解決に苦慮している新しい課題をもたらす。 本研究では,20以上の古典的および一般的な異常検出手法を広範囲な実験により評価した。 我々は,これらのアプローチを体系的に評価するために,実例と合成例の5つのデジタル病理データセットをキュレートした。 実験では,画像スケール,異常パターンの種類,およびエポック選択戦略が検出性能に与える影響について検討した。 その結果,各手法の強度と限界を詳細に比較し,デジタル病理画像の異常検出における今後の研究を導くための総合的なベンチマークを構築した。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
  現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。 提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。 医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
  論文  参考訳（メタデータ） (2024-01-19T11:35:07Z)
• Explainable Anomaly Detection in Images and Videos: A Survey [49.07140708026425]
  画像やビデオを含む視覚データの異常検出とローカライゼーションは、機械学習のアカデミックと実世界のシナリオの適用において非常に重要である。 近年の視覚異常検出技術の急速な発展にもかかわらず、これらのブラックボックスモデルの解釈や、なぜ異常を区別できるのかの合理的な説明は乏しい。 本稿では,説明可能な視覚異常検出法に焦点をあてた最初の調査を行う。
  論文  参考訳（メタデータ） (2023-02-13T20:17:41Z)
• 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)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Image Synthesis as a Pretext for Unsupervised Histopathological Diagnosis [3.7692411550925673]
  視覚データの異常検出は、正常な症例と異常な外観を区別する問題を指す。 近年のディープジェネレーティブモデルの発展は、監視されていない異常検出への適用への関心を喚起している。
  論文  参考訳（メタデータ） (2021-04-28T14:37:23Z)
• Deep Learning for Medical Anomaly Detection -- A Survey [38.32234937094937]
  本調査は,医学的異常検出における一般的な深層学習手法の詳細な理論的解析である。 我々は、アーキテクチャの違いとトレーニングアルゴリズムを比較し、対比しながら、最先端技術の一貫性と体系的なレビューに貢献する。 さらに,既存の深部医学的異常検出技術の重要な限界について概説し,今後の研究の方向性について検討する。
  論文  参考訳（メタデータ） (2020-12-04T02:09:37Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)

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。