論文の概要: Patch2Loc: Learning to Localize Patches for Unsupervised Brain Lesion Detection

• arxiv url: http://arxiv.org/abs/2506.22504v1
• Date: Wed, 25 Jun 2025 16:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.429385
• Title: Patch2Loc: Learning to Localize Patches for Unsupervised Brain Lesion Detection
• Title（参考訳）: Patch2Loc: 教師なし脳病変検出のためのパッチのローカライズ学習
• Authors: Hassan Baker, Austin J. Brockmeier,
• Abstract要約: 異常脳組織から正常組織を分節する新しい非教師的アプローチを提案する。 ニューラルネットワークモデルをトレーニングして、パッチを脳の体積のスライス内の空間的な位置までマッピングします。 我々は,MRIにおける腫瘍組織の検出にアプローチを適用することで,異常な脳組織をセグメント化できるモデルの有効性を実証した。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting brain lesions as abnormalities observed in magnetic resonance imaging (MRI) is essential for diagnosis and treatment. In the search of abnormalities, such as tumors and malformations, radiologists may benefit from computer-aided diagnostics that use computer vision systems trained with machine learning to segment normal tissue from abnormal brain tissue. While supervised learning methods require annotated lesions, we propose a new unsupervised approach (Patch2Loc) that learns from normal patches taken from structural MRI. We train a neural network model to map a patch back to its spatial location within a slice of the brain volume. During inference, abnormal patches are detected by the relatively higher error and/or variance of the location prediction. This generates a heatmap that can be integrated into pixel-wise methods to achieve finer-grained segmentation. We demonstrate the ability of our model to segment abnormal brain tissues by applying our approach to the detection of tumor tissues in MRI on T2-weighted images from BraTS2021 and MSLUB datasets and T1-weighted images from ATLAS and WMH datasets. We show that it outperforms the state-of-the art in unsupervised segmentation. The codebase for this work can be found on our \href{https://github.com/bakerhassan/Patch2Loc}{GitHub page}.
• Abstract（参考訳）: 磁気共鳴画像(MRI)で観察される異常として脳病変を検出することは、診断と治療に不可欠である。 腫瘍や奇形などの異常の探索において、放射線技師は、機械学習で訓練されたコンピュータビジョンシステムを使用して、異常な脳組織から正常な組織を分離するコンピュータ支援診断の恩恵を受けることができる。 教師あり学習法は注釈付き病変を必要とするが,構造MRIからの正常なパッチから学習する新しい教師なしアプローチ(Patch2Loc)を提案する。 ニューラルネットワークモデルをトレーニングして、パッチを脳の体積のスライス内の空間的な位置までマッピングします。 推測中、比較的高い誤差および/または位置予測のばらつきにより異常なパッチを検出する。 これにより、より微細なセグメンテーションを実現するためにピクセルワイズメソッドに統合できるヒートマップが生成される。 我々は,脳の異常組織を分類する手法として,BraTS2021およびMSLUBデータセットのT2強調画像とATLASおよびWMHデータセットのT1強調画像にMRIによる腫瘍組織の検出を適用した。 教師なしセグメンテーションにおける最先端技術よりも優れていることを示す。 この作業のコードベースは、我々の \href{https://github.com/bakerhassan/Patch2Loc}{GitHub page} で確認できます。

関連論文リスト

• MAD-AD: Masked Diffusion for Unsupervised Brain Anomaly Detection [15.572896213775438]
  脳画像における教師なし異常検出は、ラベルにアクセスせずに損傷や病理を識別するために重要である。 本研究では,拡散モデルにマスキングを組み込んだ新しい手法を提案し,その生成能力を活用して正常脳解剖学の堅牢な表現を学習する。 提案手法は,既存の教師なし異常検出手法を超越し,高精度な正常な異常発生と局所的異常発生に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-02-24T08:11:29Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• An L2-Normalized Spatial Attention Network For Accurate And Fast Classification Of Brain Tumors In 2D T1-Weighted CE-MRI Images [21.369333654766233]
  MRI画像における脳腫瘍の分類のための高精度かつ高速な分類網を提案する。 3種類の脳腫瘍を含む2次元T1強調CE-MRIデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-01T12:22:58Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models [6.726255259929498]
  本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。 提案フレームワークは、全体的な検出精度96.88%を取得する。 提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
  論文  参考訳（メタデータ） (2022-02-20T16:14:01Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。