Fugu-MT 論文翻訳(概要): SP-Mamba: Spatial-Perception State Space Model for Unsupervised Medical Anomaly Detection

論文の概要: SP-Mamba: Spatial-Perception State Space Model for Unsupervised Medical Anomaly Detection

arxiv url: http://arxiv.org/abs/2507.19076v1
Date: Fri, 25 Jul 2025 08:57:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-28 16:16:48.890219
Title: SP-Mamba: Spatial-Perception State Space Model for Unsupervised Medical Anomaly Detection
Title（参考訳）: SP-Mamba:unsupervised Medical Anomaly Detectionのための空間知覚状態空間モデル
Authors: Rui Pan, Ruiying Lu,
Abstract要約: 本研究では, 空間知覚型マンバフレームワークであるSP-Mambaを紹介した。ウィンドウスライディングのプロトタイプ学習とCircular-HilbertスキャニングベースのMambaを導入し、一貫性のある解剖学的パターンをうまく活用する。
参考スコア（独自算出の注目度）: 7.778573804475833
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Radiography imaging protocols target on specific anatomical regions, resulting in highly consistent images with recurrent structural patterns across patients. Recent advances in medical anomaly detection have demonstrated the effectiveness of CNN- and transformer-based approaches. However, CNNs exhibit limitations in capturing long-range dependencies, while transformers suffer from quadratic computational complexity. In contrast, Mamba-based models, leveraging superior long-range modeling, structural feature extraction, and linear computational efficiency, have emerged as a promising alternative. To capitalize on the inherent structural regularity of medical images, this study introduces SP-Mamba, a spatial-perception Mamba framework for unsupervised medical anomaly detection. The window-sliding prototype learning and Circular-Hilbert scanning-based Mamba are introduced to better exploit consistent anatomical patterns and leverage spatial information for medical anomaly detection. Furthermore, we excavate the concentration and contrast characteristics of anomaly maps for improving anomaly detection. Extensive experiments on three diverse medical anomaly detection benchmarks confirm the proposed method's state-of-the-art performance, validating its efficacy and robustness. The code is available at https://github.com/Ray-RuiPan/SP-Mamba.
Abstract（参考訳）: 放射線画像撮影プロトコルは特定の解剖学的領域をターゲットにしており、患者間で連続した構造パターンを持つ高度に一貫した画像をもたらす。医学的異常検出の最近の進歩は、CNNおよびトランスフォーマーに基づくアプローチの有効性を示している。しかし、CNNは長距離依存を捉えるのに制限があり、トランスフォーマーは2次計算の複雑さに悩まされている。対照的に、優れた長距離モデリング、構造的特徴抽出、線形計算効率を活用するマンバベースのモデルは、有望な代替手段として現れている。本研究では, 医用画像の構造的規則性を活かすために, 空間知覚型マンバフレームワークSP-Mambaを導入する。ウィンドウスライディングのプロトタイプ学習とCircular-HilbertスキャニングベースのMambaを導入し、一貫した解剖学的パターンをうまく活用し、空間情報を医学的異常検出に活用する。さらに,異常検出を改善するために,異常マップの濃度とコントラスト特性を探索する。 3つの多様な医学異常検出ベンチマークに関する大規模な実験は、提案手法の最先端性能を確認し、その有効性と堅牢性を検証する。コードはhttps://github.com/Ray-RuiPan/SP-Mambaで入手できる。

関連論文リスト

Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Medical Images [32.99597899937902]
医用画像における異常検出は、様々な画像モダリティにおける病理領域の同定において重要な役割を担っている。本研究では,合成ノイズ関数と多段階拡散過程を組み込んだ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。脳MRI,肝CT,頸動脈USデータセットに対する提案手法の検証を行った。
論文参考訳（メタデータ） (2024-11-06T15:43:51Z)
Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
論文参考訳（メタデータ） (2024-10-05T02:13:57Z)
Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
論文参考訳（メタデータ） (2024-08-05T18:24:48Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
論文参考訳（メタデータ） (2023-12-07T11:03:42Z)
Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文参考訳（メタデータ） (2023-09-12T03:05:00Z)
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)
Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文参考訳（メタデータ） (2022-09-25T04:56:10Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。