論文の概要: Out-of-Distribution Detection in Medical Imaging via Diffusion Trajectories
- arxiv url: http://arxiv.org/abs/2507.23411v1
- Date: Thu, 31 Jul 2025 10:36:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:09.520437
- Title: Out-of-Distribution Detection in Medical Imaging via Diffusion Trajectories
- Title（参考訳）: 拡散軌道を用いた医用画像のアウト・オブ・ディストリビューション検出
- Authors: Lemar Abdi, Francisco Caetano, Amaan Valiuddin, Christiaan Viviers, Hamdi Joudeh, Fons van der Sommen,
- Abstract要約: 医用画像では、unsupervised out-of-distribution (OOD) 検出は病理疾患の同定に魅力的なアプローチである。
現在の生成的アプローチは、しばしば推定や再構成の誤りに依存する。
本稿では,スタインスコアに基づくデノナイジング拡散モデルの前方拡散軌道を利用する再構成不要なOOD検出手法を提案する。
- 参考スコア（独自算出の注目度）: 8.591748099943167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In medical imaging, unsupervised out-of-distribution (OOD) detection offers an attractive approach for identifying pathological cases with extremely low incidence rates. In contrast to supervised methods, OOD-based approaches function without labels and are inherently robust to data imbalances. Current generative approaches often rely on likelihood estimation or reconstruction error, but these methods can be computationally expensive, unreliable, and require retraining if the inlier data changes. These limitations hinder their ability to distinguish nominal from anomalous inputs efficiently, consistently, and robustly. We propose a reconstruction-free OOD detection method that leverages the forward diffusion trajectories of a Stein score-based denoising diffusion model (SBDDM). By capturing trajectory curvature via the estimated Stein score, our approach enables accurate anomaly scoring with only five diffusion steps. A single SBDDM pre-trained on a large, semantically aligned medical dataset generalizes effectively across multiple Near-OOD and Far-OOD benchmarks, achieving state-of-the-art performance while drastically reducing computational cost during inference. Compared to existing methods, SBDDM achieves a relative improvement of up to 10.43% and 18.10% for Near-OOD and Far-OOD detection, making it a practical building block for real-time, reliable computer-aided diagnosis.
- Abstract（参考訳）: 医学的画像診断において、OOD(unsupervised out-of-distribution)検出は、非常に低い頻度で病理症例を特定するための魅力的なアプローチである。
教師付き手法とは対照的に、OODベースのアプローチはラベルなしで機能し、データ不均衡に対して本質的に堅牢である。
現在の生成的アプローチは、しばしば推定や再構成の誤りに頼っているが、これらの手法は計算コストが高く、信頼性が低く、不整合データが変化しても再学習を必要とすることがある。
これらの制限は、特異な入力と異常な入力を効率よく、一貫して、堅牢に区別する能力を妨げる。
本研究では,SBDDM(Stein score-based denoising diffusion model)の前方拡散軌道を利用する再構成不要なOOD検出手法を提案する。
評価されたスタインスコアを用いて軌道曲率を計測することにより,5段階のみの精度で精度の高い計測が可能となる。
大規模でセマンティックに整合した医療データセット上に事前トレーニングされた単一のSBDDMは、複数のNear-OODおよびFar-OODベンチマークを効果的に一般化し、最先端のパフォーマンスを達成すると同時に、推論時の計算コストを大幅に削減する。
既存の手法と比較して、SBDDMはNear-OODおよびFar-OOD検出において10.43%と18.10%の相対的な改善を実現しており、リアルタイムで信頼性の高いコンピュータ支援診断のための実用的なビルディングブロックとなっている。
関連論文リスト
- Leveraging Perturbation Robustness to Enhance Out-of-Distribution Detection [15.184096796229115]
本稿では, インディストリビューション(IND)インプットよりも, 摂動下でのOODインプットの予測信頼度が高いという知見に基づいて, ポストホック法であるPRO(Perturbation-Rectified OOD Detection)を提案する。
CIFAR-10モデルでは、POPは、最先端の手法と比較して、FPR@95において10%以上の削減を実現し、近似OOD入力を効果的に検出する。
論文 参考訳（メタデータ） (2025-03-24T15:32:33Z) - Uncertainty-Aware Out-of-Distribution Detection with Gaussian Processes [13.246251147975192]
ディープニューラルネットワーク(DNN)はしばしばクローズドワールドの前提の下で構築される。
OODサンプルは、現実世界のアプリケーションでトレーニングフェーズで必ずしも利用できない。
InDデータのみに基づく決定境界を確立するために,ガウス過程に基づくOOD検出手法を提案する。
論文 参考訳（メタデータ） (2024-12-30T12:57:31Z) - Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。
近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。
本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。
実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
論文 参考訳（メタデータ） (2024-09-05T02:58:13Z) - Fast Decision Boundary based Out-of-Distribution Detector [7.04686607977352]
アウト・オブ・ディストリビューション(OOD)検出は、AIシステムの安全なデプロイに不可欠である。
既存の特徴空間法は有効であるが、しばしば計算上のオーバーヘッドを生じさせる。
補助モデルを用いない計算効率の良いOOD検出器を提案する。
論文 参考訳（メタデータ） (2023-12-15T19:50:32Z) - Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。
Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。
複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
論文 参考訳（メタデータ） (2023-11-28T02:00:47Z) - Can input reconstruction be used to directly estimate uncertainty of a
regression U-Net model? -- Application to proton therapy dose prediction for
head and neck cancer patients [0.8343441027226364]
本稿では,別の直接不確実性推定法を提案し,それを回帰U-Netアーキテクチャに適用する。
本手法は頭頸部癌患者に対する陽子線量予測に応用した。
論文 参考訳（メタデータ） (2023-10-30T16:04:34Z) - LINe: Out-of-Distribution Detection by Leveraging Important Neurons [15.797257361788812]
本稿では,分布内データとOODデータ間のモデル出力の差を解析するための新しい側面を紹介する。
本稿では,分布検出のポストホックアウトのための新しい手法であるLINe( Leveraging Important Neurons)を提案する。
論文 参考訳（メタデータ） (2023-03-24T13:49:05Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳（メタデータ） (2021-07-01T17:59:07Z) - Learn what you can't learn: Regularized Ensembles for Transductive
Out-of-distribution Detection [76.39067237772286]
ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。
本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。
本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
論文 参考訳（メタデータ） (2020-12-10T16:55:13Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-21T17:46:28Z)
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。