論文の概要: Semi-Supervised Anomaly Detection in Brain MRI Using a Domain-Agnostic Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2508.01137v1
• Date: Sat, 02 Aug 2025 01:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.727921
• Title: Semi-Supervised Anomaly Detection in Brain MRI Using a Domain-Agnostic Deep Reinforcement Learning Approach
• Title（参考訳）: ドメイン非依存型深部強化学習を用いた脳MRIの半監督的異常検出
• Authors: Zeduo Zhang, Yalda Mohsenzadeh,
• Abstract要約: 我々は,大規模データやオーバーフィット,クラス不均衡といった課題に対処するために,深層強化学習(DRL)を用いたドメインに依存しない半教師付き異常検出フレームワークを開発した。 この研究では、2005年から2021年の間に収集された公開の脳MRIデータセットを使用した。
• 参考スコア（独自算出の注目度）: 2.3633885460047765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To develop a domain-agnostic, semi-supervised anomaly detection framework that integrates deep reinforcement learning (DRL) to address challenges such as large-scale data, overfitting, and class imbalance, focusing on brain MRI volumes. This retrospective study used publicly available brain MRI datasets collected between 2005 and 2021. The IXI dataset provided 581 T1-weighted and 578 T2-weighted MRI volumes (from healthy subjects) for training, while the BraTS 2021 dataset provided 251 volumes for validation and 1000 for testing (unhealthy subjects with Glioblastomas). Preprocessing included normalization, skull-stripping, and co-registering to a uniform voxel size. Experiments were conducted on both T1- and T2-weighted modalities. Additional experiments and ablation analyses were also carried out on the industrial datasets. The proposed method integrates DRL with feature representations to handle label scarcity, large-scale data and overfitting. Statistical analysis was based on several detection and segmentation metrics including AUROC and Dice score. The proposed method achieved an AUROC of 88.7% (pixel-level) and 96.7% (image-level) on brain MRI datasets, outperforming State-of-The-Art (SOTA) methods. On industrial surface datasets, the model also showed competitive performance (AUROC = 99.8% pixel-level, 99.3% image-level) on MVTec AD dataset, indicating strong cross-domain generalization. Studies on anomaly sample size showed a monotonic increase in AUROC as more anomalies were seen, without evidence of overfitting or additional computational cost. The domain-agnostic semi-supervised approach using DRL shows significant promise for MRI anomaly detection, achieving strong performance on both medical and industrial datasets. Its robustness, generalizability and efficiency highlight its potential for real-world clinical applications.
• Abstract（参考訳）: 大規模データ、オーバーフィット、クラス不均衡といった課題に対処するために、脳MRIボリュームに焦点をあてて、深部強化学習(DRL)を統合する、ドメインに依存しない半教師付き異常検出フレームワークを開発する。 この振り返り調査では、2005年から2021年の間に収集された公開の脳MRIデータセットを使用した。 IXIデータセットはトレーニング用581T1強調MRIボリューム(健常者から)、BraTS 2021データセットはバリデーション用251巻、テスト用1000巻(グリオ芽腫非健康者)が提供された。 プリプロセッシングには、正規化、頭蓋骨切断、均一なボクセルサイズへの共登録が含まれていた。 T1重モードとT2重モードの両方で実験を行った。 工業用データセットについても追加実験とアブレーション分析を行った。 提案手法はDRLと特徴表現を統合し,ラベルの不足,大規模データ,オーバーフィッティングを扱う。 統計的分析は、AUROCやDiceスコアなど、いくつかの検出とセグメンテーションの指標に基づいていた。 提案手法は、脳MRIデータセット上で88.7%(ピクセルレベル)と96.7%(イメージレベル)のAUROCを達成し、SOTA(State-of-The-Art)法より優れていた。 産業用表面データセットでは、MVTec ADデータセット上での競合性能(AUROC = 99.8%ピクセルレベル、99.3%イメージレベル)も示されており、強いクロスドメインの一般化を示している。 異常サンプルサイズの研究では、過剰適合の証拠や計算コストを伴わずに、より多くの異常が見られたAUROCの単調な増加が見られた。 DRLを用いたドメインに依存しない半教師付きアプローチは、MRI異常検出に大きな可能性を示し、医療用および産業用両方のデータセットで高いパフォーマンスを達成する。 その堅牢性、一般化可能性、効率性は、実際の臨床応用の可能性を強調している。

関連論文リスト

• GANet-Seg: Adversarial Learning for Brain Tumor Segmentation with Hybrid Generative Models [1.0456203870202954]
  この研究は、事前訓練されたGANとUnetアーキテクチャを利用した脳腫瘍セグメンテーションのための新しいフレームワークを導入する。 グローバルな異常検出モジュールと改良されたマスク生成ネットワークを組み合わせることで,腫瘍感受性領域を正確に同定する。 マルチモーダルMRIデータと合成画像拡張を用いて、ロバスト性を改善し、限られたアノテートデータセットの課題に対処する。
  論文  参考訳（メタデータ） (2025-06-26T13:28:09Z)
• BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification with Swin-HAFNet [1.1545092788508224]
  このデータセットは、放射線医や医師によって注釈された6000個の造影T1強調MRIスキャンで構成されている。 それぞれのサンプルは高解像度のラベルを含み、軸、矢状、およびコロナイメージングプレーンに分類される。 IoU(Intersection-over-Union, Intersection-over-Union, IoU)が82.3%と高い値を示した。
  論文  参考訳（メタデータ） (2025-06-17T08:56:05Z)
• Deep Learning-Based Noninvasive Screening of Type 2 Diabetes with Chest X-ray Images and Electronic Health Records [2.2940141855172036]
  本研究は,胸部X線画像と他の非侵襲的データソース,例えば電子健康記録(EHR)や心電図信号の統合をT2DM検出のために評価した。 エンドツーエンドのResNet-LSTMモデルのAUROCは0.86で、CXRのみのベースラインをわずか9863のトレーニングサンプルで2.3%上回った。
  論文  参考訳（メタデータ） (2024-12-14T20:18:16Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
  拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。 臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。 我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:56:10Z)
• ISLES'24 -- A Real-World Longitudinal Multimodal Stroke Dataset [9.501255615225428]
  ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を伴っている。 脳卒中画像から脳機能の正確なモデルを作成する機械学習アルゴリズムの開発には、大きく、多様で、注釈付けされたパブリックデータセットが必要である。 このマルチセンターデータセットは245のケースで構成され、臨床的な意思決定を容易にする強力な機械学習アルゴリズムを開発するための基盤となっている。
  論文  参考訳（メタデータ） (2024-08-20T18:59:52Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Integrative Imaging Informatics for Cancer Research: Workflow Automation for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
  我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。 エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。 欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
  論文  参考訳（メタデータ） (2022-10-06T18:23:42Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• 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)
• A Real-World Demonstration of Machine Learning Generalizability: Intracranial Hemorrhage Detection on Head CT [5.517017976008718]
  本研究の目的は,医療画像においてMLモデルの一般化性が達成可能であることを示すことである。 MLモデルは、RSNA頭蓋内出血CTデータセットから21,784個のスキャンを用いて訓練された。 外的検証では、AUCは95.4%、感度は91.3%、特異度は94.1%であった。
  論文  参考訳（メタデータ） (2021-02-09T15:05:48Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。