論文の概要: Normal and Abnormal Pathology Knowledge-Augmented Vision-Language Model for Anomaly Detection in Pathology Images

• arxiv url: http://arxiv.org/abs/2508.15256v1
• Date: Thu, 21 Aug 2025 05:40:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.196769
• Title: Normal and Abnormal Pathology Knowledge-Augmented Vision-Language Model for Anomaly Detection in Pathology Images
• Title（参考訳）: 病理画像における異常検出のための正常および異常な病理知識強化型ビジョンランゲージモデル
• Authors: Jinsol Song, Jiamu Wang, Anh Tien Nguyen, Keunho Byeon, Sangjeong Ahn, Sung Hak Lee, Jin Tae Kwak,
• Abstract要約: Ano-NAViLaは、病理画像における異常検出のための正常および異常な病理知識拡張型ビジョンランゲージモデルである。
• 参考スコア（独自算出の注目度）: 2.215893341610636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in computational pathology aims to identify rare and scarce anomalies where disease-related data are often limited or missing. Existing anomaly detection methods, primarily designed for industrial settings, face limitations in pathology due to computational constraints, diverse tissue structures, and lack of interpretability. To address these challenges, we propose Ano-NAViLa, a Normal and Abnormal pathology knowledge-augmented Vision-Language model for Anomaly detection in pathology images. Ano-NAViLa is built on a pre-trained vision-language model with a lightweight trainable MLP. By incorporating both normal and abnormal pathology knowledge, Ano-NAViLa enhances accuracy and robustness to variability in pathology images and provides interpretability through image-text associations. Evaluated on two lymph node datasets from different organs, Ano-NAViLa achieves the state-of-the-art performance in anomaly detection and localization, outperforming competing models.
• Abstract（参考訳）: 計算病理学における異常検出は、疾患関連データがしばしば制限または欠落している稀で希少な異常を識別することを目的としている。 既存の異常検出法は、主に工業的設定のために設計されており、計算上の制約、多様な組織構造、解釈可能性の欠如による病理学上の制約に直面している。 これらの課題に対処するために,病理画像における異常検出のための正常および異常な病理知識拡張型ビジョンランゲージモデルであるAno-NAViLaを提案する。 Ano-NAViLaはトレーニング済みの視覚言語モデル上に構築されており、軽量なトレーニング可能なMLPを備えている。 正常な病理知識と異常な病理知識の両方を取り入れることで、Ano-NAViLaは病理画像の精度と変動性の堅牢性を高め、画像とテキストの関連による解釈性を提供する。 Ano-NAViLaは、異なる臓器から得られた2つのリンパ節データセットに基づいて評価され、異常検出と局所化における最先端のパフォーマンスを達成し、競合モデルを上回っている。

関連論文リスト

• Pathology-Informed Latent Diffusion Model for Anomaly Detection in Lymph Node Metastasis [4.752488016988911]
  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。
  論文  参考訳（メタデータ） (2025-08-21T04:48:55Z)
• CADD: Context aware disease deviations via restoration of brain images using normative conditional diffusion models [1.3462324726960995]
  本稿では、3次元画像における規範的モデリングのための最初の条件拡散モデルCADDを提案する。 本稿では,異常除去と主観的特徴の保持を両立させる新しい推論塗装戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-05T15:59:19Z)
• 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)
• Unraveling Normal Anatomy via Fluid-Driven Anomaly Randomization [3.513196894656874]
  UNA(Unraveling Normal Anatomy, Unraveling Normal Anatomy)を導入した。 本研究では,現実的な病理プロファイルを無制限に生成する流体駆動型異常ランダム化手法を提案する。 健常な脳解剖の再構築におけるUNAの有効性を実証し,その異常検出への直接的応用を示す。
  論文  参考訳（メタデータ） (2025-01-23T04:17:20Z)
• 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)
• 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)
• 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)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Image Synthesis as a Pretext for Unsupervised Histopathological Diagnosis [3.7692411550925673]
  視覚データの異常検出は、正常な症例と異常な外観を区別する問題を指す。 近年のディープジェネレーティブモデルの発展は、監視されていない異常検出への適用への関心を喚起している。
  論文  参考訳（メタデータ） (2021-04-28T14:37:23Z)
• 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。