論文の概要: Pathology-Informed Latent Diffusion Model for Anomaly Detection in Lymph Node Metastasis

• arxiv url: http://arxiv.org/abs/2508.15236v1
• Date: Thu, 21 Aug 2025 04:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.187416
• Title: Pathology-Informed Latent Diffusion Model for Anomaly Detection in Lymph Node Metastasis
• Title（参考訳）: リンパ節転移の異常検出のための病理インフォームド潜在拡散モデル
• Authors: Jiamu Wang, Keunho Byeon, Jinsol Song, Anh Nguyen, Sangjeong Ahn, Sung Hak Lee, Jin Tae Kwak,
• Abstract要約: 異常検出は、疾患の診断に効率的に効果的にデータを活用できるデジタル病理学における新たなアプローチである。 デジタル病理学における教師なし異常検出のための拡散モデルを用いた視覚言語モデルを提案する。 本手法では, 正常組織に関連付けられた病理関連キーワードを用いて再建過程を導出する。
• 参考スコア（独自算出の注目度）: 4.752488016988911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is an emerging approach in digital pathology for its ability to efficiently and effectively utilize data for disease diagnosis. While supervised learning approaches deliver high accuracy, they rely on extensively annotated datasets, suffering from data scarcity in digital pathology. Unsupervised anomaly detection, however, offers a viable alternative by identifying deviations from normal tissue distributions without requiring exhaustive annotations. Recently, denoising diffusion probabilistic models have gained popularity in unsupervised anomaly detection, achieving promising performance in both natural and medical imaging datasets. Building on this, we incorporate a vision-language model with a diffusion model for unsupervised anomaly detection in digital pathology, utilizing histopathology prompts during reconstruction. Our approach employs a set of pathology-related keywords associated with normal tissues to guide the reconstruction process, facilitating the differentiation between normal and abnormal tissues. To evaluate the effectiveness of the proposed method, we conduct experiments on a gastric lymph node dataset from a local hospital and assess its generalization ability under domain shift using a public breast lymph node dataset. The experimental results highlight the potential of the proposed method for unsupervised anomaly detection across various organs in digital pathology. Code: https://github.com/QuIIL/AnoPILaD.
• Abstract（参考訳）: 異常検出は、疾患の診断に効率的に効果的にデータを活用できるデジタル病理学における新たなアプローチである。 教師付き学習アプローチは高い精度を提供するが、デジタル病理学におけるデータ不足に苦しむ広範囲な注釈付きデータセットに依存している。 しかし、教師なし異常検出は、徹底的なアノテーションを必要とせず、正常な組織分布から逸脱を識別することで、有効な代替手段を提供する。 近年,非教師付き異常検出において拡散確率モデルが普及し,自然画像と医用画像の両方で有望な性能を実現している。 これに基づいて,デジタル病理学における教師なし異常検出のための拡散モデルを用いた視覚言語モデルを構築し,再建過程における病理組織学的プロンプトを利用した。 本手法では, 正常組織と異常組織との鑑別を促進するために, 正常組織に関連する一連の病理関連キーワードを用いて再建過程を導出する。 提案手法の有効性を評価するため,局所病院の胃リンパ節データセットを用いて実験を行い,その一般化能力についてパブリックな乳腺リンパ節データセットを用いて検討した。 実験結果は, デジタル病理学において, 種々の臓器を横断する教師なし異常検出法の可能性を強調した。 コード:https://github.com/QuIIL/AnoPILaD。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Conditional diffusion models for guided anomaly detection in brain images using fluid-driven anomaly randomization [4.570902159763305]
  脳MRIにおける異常検出と正常画像再構成のための新しい条件拡散モデルフレームワークを提案する。 我々の弱教師付きアプローチは、合成された擬似病理像をモデリングプロセスに統合し、健康な画像の再構築をより良く指導する。 我々は,ATLASデータセットから合成異常データセットと実病態の両方を用いて,本モデルの病理診断能力を評価する。
  論文  参考訳（メタデータ） (2025-06-11T23:27:00Z)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• Diffusion Models with Implicit Guidance for Medical Anomaly Detection [13.161402789616004]
  組織再生のための時間的調和 (THOR) は, 病態の影響を受けない領域における健全な組織の整合性を維持することを目的としている。 相対的な評価では、THORは、脳MRIと手首X線における異常の検出とセグメンテーションにおいて、既存の拡散に基づく手法を超越している。
  論文  参考訳（メタデータ） (2024-03-13T12:26:55Z)
• 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)
• AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
  異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。 医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。 提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
  論文  参考訳（メタデータ） (2023-10-10T08:44:47Z)
• 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)
• Unsupervised anomaly detection in digital pathology using GANs [4.318555434063274]
  本稿では,GANを用いた病理組織データにおける異常検出のための新しい教師なし学習手法を提案する。 医用画像に用いられている既存のGAN法と比較して,本手法は病理データの性能を大幅に改善する。
  論文  参考訳（メタデータ） (2021-03-16T10:10:12Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)

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。