Fugu-MT 論文翻訳(概要): AREPAS: Anomaly Detection in Fine-Grained Anatomy with Reconstruction-Based Semantic Patch-Scoring

論文の概要: AREPAS: Anomaly Detection in Fine-Grained Anatomy with Reconstruction-Based Semantic Patch-Scoring

arxiv url: http://arxiv.org/abs/2509.12905v1
Date: Tue, 16 Sep 2025 09:59:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:53.019998
Title: AREPAS: Anomaly Detection in Fine-Grained Anatomy with Reconstruction-Based Semantic Patch-Scoring
Title（参考訳）: AREPAS:再建型セマンティックパッチスコーリングによる微細解剖の異常検出
Authors: Branko Mitic, Philipp Seeböck, Helmut Prosch, Georg Langs,
Abstract要約: 正常な微細組織変動は、既存の生成異常検出法において大きな課題である。本稿では,この問題に対処する新しいAD手法を提案する。これは、異常のない再構成のためのイメージ・ツー・イメージ変換と、観察された画像対と生成された画像対の間のパッチ類似性からなり、正確な異常局所化を行う。結果, 胸部CTと脳MRIではピクセルレベルの異常セグメンテーションが改善し, 比較的DICEスコアが+1.9%, +4.4%向上した。
参考スコア（独自算出の注目度）: 0.6001999957263661
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Early detection of newly emerging diseases, lesion severity assessment, differentiation of medical conditions and automated screening are examples for the wide applicability and importance of anomaly detection (AD) and unsupervised segmentation in medicine. Normal fine-grained tissue variability such as present in pulmonary anatomy is a major challenge for existing generative AD methods. Here, we propose a novel generative AD approach addressing this issue. It consists of an image-to-image translation for anomaly-free reconstruction and a subsequent patch similarity scoring between observed and generated image-pairs for precise anomaly localization. We validate the new method on chest computed tomography (CT) scans for the detection and segmentation of infectious disease lesions. To assess generalizability, we evaluate the method on an ischemic stroke lesion segmentation task in T1-weighted brain MRI. Results show improved pixel-level anomaly segmentation in both chest CTs and brain MRIs, with relative DICE score improvements of +1.9% and +4.4%, respectively, compared to other state-of-the-art reconstruction-based methods.
Abstract（参考訳）: 新規疾患の早期発見,病変の重症度評価,医療条件の分化,自動スクリーニングは,医学における異常検出(AD)と教師なしセグメンテーションの広範な適用性と重要性の例である。肺解剖学などの正常な微細組織変化は、既存のAD法において大きな課題である。本稿では,この問題に対処する新しいAD手法を提案する。これは、異常のない再構成のためのイメージ・ツー・イメージ変換と、観察された画像対と生成された画像対の間のパッチ類似性からなり、正確な異常局所化を行う。胸部CT検査による感染性病変の検出とセグメンテーションについて検討した。一般化性を評価するため,T1強調脳MRIにおける虚血性脳梗塞分節タスクの評価を行った。結果, 胸部CTと脳MRIではピクセルレベルの異常セグメンテーションが改善し, 比較的DICEスコアが+1.9%, +4.4%向上した。

関連論文リスト

PDSE: A Multiple Lesion Detector for CT Images using PANet and Deformable Squeeze-and-Excitation Block [10.563907026873443]
網膜ネットの再設計により1段階病変検出フレームワークPDSEを導入する。低レベル特徴写像を組み込むことで,経路凝集流の増大を図る。我々のアルゴリズムは公開DeepLesionベンチマークで0.20以上のmAPを達成した。
論文参考訳（メタデータ） (2025-06-04T06:38:31Z)
Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective [14.39502951611029]
構造類似度指数の損失をl1損失と組み合わせた核融合品質損失関数を提案する。また,正常領域と異常領域の平均強度比(AIR)を高めるデータ前処理戦略を導入し,異常の識別を改善した。提案したIQAアプローチは,BraTS21(T2,FLAIR)およびMSULBデータセット上のDice係数(DICE)とAUPRC(Area Under the Precision-Recall Curve)において,大幅な改善(>10%)を達成している。
論文参考訳（メタデータ） (2024-08-15T15:55:07Z)
Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文参考訳（メタデータ） (2023-08-03T21:56:50Z)
AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection [34.007468043336274]
健全な解剖学の詳細を学習し,高解像度画像の再構成を行うために,ロバストな塗装モデルを提案する。また,腫瘍を自動的に検出し,その外観を健康な解剖学に置き換えるオートインペインティングパイプラインを提案し,そのセグメントに基づいて腫瘍の体積を推定した。
論文参考訳（メタデータ） (2023-05-21T05:45:38Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Employing similarity to highlight differences: On the impact of anatomical assumptions in chest X-ray registration methods [2.080328156648695]
我々は,国立衛生研究所(NIH)データセット上に,解剖学的にペナル化した畳み込み型多段階解を開発した。本手法は,ワープフィールドの折り畳み率を技術状態の1/6に制限する自然な方法であることを示す。本手法の利点を統計的に評価し,胸部X線登録における現在使用されている指標の限界を強調した。
論文参考訳（メタデータ） (2023-01-23T09:42:49Z)
Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文参考訳（メタデータ） (2022-07-20T06:49:02Z)
Context-Aware Transformers For Spinal Cancer Detection and Radiological Grading [70.04389979779195]
本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。 MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
論文参考訳（メタデータ） (2022-06-27T10:31:03Z)
SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文参考訳（メタデータ） (2021-11-26T13:47:34Z)
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)
Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。