論文の概要: Unsupervised anomaly detection using Bayesian flow networks: application to brain FDG PET in the context of Alzheimer's disease

• arxiv url: http://arxiv.org/abs/2507.17486v1
• Date: Wed, 23 Jul 2025 13:09:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.005325
• Title: Unsupervised anomaly detection using Bayesian flow networks: application to brain FDG PET in the context of Alzheimer's disease
• Title（参考訳）: ベイジアンフローネットワークを用いた教師なし異常検出 : アルツハイマー病における脳FDG PETへの応用
• Authors: Hugues Roy, Reuben Dorent, Ninon Burgos,
• Abstract要約: 教師なし異常検出は、健康な被験者データから逸脱を識別する神経イメージングにおいて重要な役割を担っている。 本研究では,医療画像や異常検出にはまだ適用されていない新しい生成モデルであるベイズ流ネットワーク(BFN)に注目した。 我々は,高レベルの空間相関雑音下で条件付き画像生成を実現するために,UAD用BFNの拡張であるAnoBFNを紹介する。 FDG PET画像におけるAnoBFNをアルツハイマー病関連異常検出の課題として評価した。
• 参考スコア（独自算出の注目度）: 1.077914828777422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection (UAD) plays a crucial role in neuroimaging for identifying deviations from healthy subject data and thus facilitating the diagnosis of neurological disorders. In this work, we focus on Bayesian flow networks (BFNs), a novel class of generative models, which have not yet been applied to medical imaging or anomaly detection. BFNs combine the strength of diffusion frameworks and Bayesian inference. We introduce AnoBFN, an extension of BFNs for UAD, designed to: i) perform conditional image generation under high levels of spatially correlated noise, and ii) preserve subject specificity by incorporating a recursive feedback from the input image throughout the generative process. We evaluate AnoBFN on the challenging task of Alzheimer's disease-related anomaly detection in FDG PET images. Our approach outperforms other state-of-the-art methods based on VAEs (beta-VAE), GANs (f-AnoGAN), and diffusion models (AnoDDPM), demonstrating its effectiveness at detecting anomalies while reducing false positive rates.
• Abstract（参考訳）: 非教師なし異常検出(UAD)は、健康な被験者データから逸脱を識別し、神経疾患の診断を容易にするために神経イメージングにおいて重要な役割を担っている。 本研究では,医療画像や異常検出にはまだ適用されていない新しい生成モデルであるベイズ流ネットワーク(BFN)に注目した。 BFNは拡散フレームワークの強さとベイズ的推論を組み合わせる。 以下に、UAD用BFNの拡張であるAnoBFNを紹介する。 一 高レベルの空間相関雑音下で条件付き画像生成を行い、 二 生成過程を通して入力画像から再帰的なフィードバックを取り入れて被写体特異性を維持すること。 FDG PET画像におけるAnoBFNをアルツハイマー病関連異常検出の課題として評価した。 提案手法は,VAE(β-VAE),GAN(f-AnoGAN),拡散モデル(AnoDDPM)に基づく他の最先端手法よりも優れ,偽陽性率の低減と異常検出の有効性を示す。

関連論文リスト

• Unsupervised contrastive analysis for anomaly detection in brain MRIs via conditional diffusion models [13.970483987621135]
  本研究では、健康な画像に対して自己教師付きコントラストエンコーダを訓練することにより、再建品質を改善するための教師なしフレームワークを提案する。 これらの特徴は、拡散モデルを用いて、与えられた画像の健全な外観を再構成し、画素ワイド比較による解釈可能な異常な局所化を可能にする。
  論文  参考訳（メタデータ） (2024-06-02T15:19:07Z)
• MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images [40.89943932086941]
  脳画像における教師なし異常検出のためのMasked Autoencoder-enhanced Diffusion Model (MAEDiff)を提案する。 MAEDiffは、階層的なパッチ分割を含む。上層パッチを重畳して健全なイメージを生成し、サブレベルパッチで動作するマスク付きオートエンコーダに基づくメカニズムを実装し、未通知領域の状態を高める。
  論文  参考訳（メタデータ） (2024-01-19T08:54:54Z)
• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Leveraging healthy population variability in deep learning unsupervised anomaly detection in brain FDG PET [0.0]
  教師なし異常検出は、神経画像データの解析において一般的なアプローチである。 それは、被験者のイメージを異常を検出するために比較できる健康な外観の主題固有のモデルを構築することに依存している。 文献では、被験者の画像と擬似健康再構築の間の残像の分析に頼って異常検出を行うのが一般的である。
  論文  参考訳（メタデータ） (2023-11-20T10:28:10Z)
• 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)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images [5.769720012976111]
  画像の異常検出は、医療における疾患診断や製造における品質保証など、あらゆる産業における多くのアプリケーションにおいて重要な役割を担っている。 本稿では,品質保証ユースケースに適用された異常検出のための,教師付きおよび教師なしの学習を含む様々なディープラーニング手法について検討する。
  論文  参考訳（メタデータ） (2021-07-20T00:14:12Z)
• Convolutional neural networks for automatic detection of Focal Cortical Dysplasia [59.034649152318224]
  葉性皮質異形成症(FCD)は,皮質発達異常に関連する最も一般的なてんかん性病変の1つである。 近年のディープラーニングを用いたFCD検出法は15名のラベル付きFCD患者のデータセットに適用されている。 その結果, 被験者15名中11名に対してFCDの検出に成功した。
  論文  参考訳（メタデータ） (2020-10-20T15:30:37Z)
• 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。