論文の概要: RASALoRE: Region Aware Spatial Attention with Location-based Random Embeddings for Weakly Supervised Anomaly Detection in Brain MRI Scans
- arxiv url: http://arxiv.org/abs/2510.08052v1
- Date: Thu, 09 Oct 2025 10:37:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 17:54:15.015206
- Title: RASALoRE: Region Aware Spatial Attention with Location-based Random Embeddings for Weakly Supervised Anomaly Detection in Brain MRI Scans
- Title（参考訳）: RASALoRE:脳MRIにおける弱い監視された異常検出のための位置ベースランダム埋め込みによる空間的注意を意識した領域
- Authors: Bheeshm Sharma, Karthikeyan Jaganathan, Balamurugan Palaniappan,
- Abstract要約: 脳MRIスキャンにおける弱い監視された異常検出(WSAD)は、脳の異常を迅速かつ正確に検出する上で有用な重要な課題である。
RASALoRE: 位置情報に基づく新しい2段階WSADフレームワークであるRandom Embeddingsを用いた領域認識空間アテンションを提案する。
提案手法は最先端の異常検出性能を実現し,既存のWSAD法を著しく上回っている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Weakly Supervised Anomaly detection (WSAD) in brain MRI scans is an important challenge useful to obtain quick and accurate detection of brain anomalies when precise pixel-level anomaly annotations are unavailable and only weak labels (e.g., slice-level) are available. In this work, we propose RASALoRE: Region Aware Spatial Attention with Location-based Random Embeddings, a novel two-stage WSAD framework. In the first stage, we introduce a Discriminative Dual Prompt Tuning (DDPT) mechanism that generates high-quality pseudo weak masks based on slice-level labels, serving as coarse localization cues. In the second stage, we propose a segmentation network with a region-aware spatial attention mechanism that relies on fixed location-based random embeddings. This design enables the model to effectively focus on anomalous regions. Our approach achieves state-of-the-art anomaly detection performance, significantly outperforming existing WSAD methods while utilizing less than 8 million parameters. Extensive evaluations on the BraTS20, BraTS21, BraTS23, and MSD datasets demonstrate a substantial performance improvement coupled with a significant reduction in computational complexity. Code is available at: https://github.com/BheeshmSharma/RASALoRE-BMVC-2025/.
- Abstract（参考訳）: 脳MRIにおける弱い監視された異常検出(WSAD)は、正確なピクセルレベルの異常アノテーションが利用できず、弱いラベル(例えばスライスレベル)のみが利用可能である場合に、素早く正確に脳の異常を検出するのに有用な重要な課題である。
本稿では,新しい2段階WSADフレームワークであるRandom Embeddingsを用いて,RASALoRE: Region Aware Spatial Attention with Location-based Random Embeddingsを提案する。
第1段階では、スライスレベルラベルに基づいて高品質な擬似弱マスクを生成し、粗い局所化手段として機能する識別的デュアルプロンプトチューニング(DDPT)機構を導入する。
第2段階では、固定位置に基づくランダムな埋め込みに依存する領域認識空間注意機構を持つセグメンテーションネットワークを提案する。
この設計により、モデルは異常領域に効果的に集中することができる。
提案手法は最先端の異常検出性能を達成し,既存のWSAD手法よりも優れ,800万未満のパラメータを利用する。
BraTS20, BraTS21, BraTS23, MSDデータセットの大規模な評価は、計算複雑性の大幅な削減と合わせて、大幅なパフォーマンス向上を示している。
コードは、https://github.com/BheeshmSharma/RASALoRE-BMVC-2025/で入手できる。
関連論文リスト
- OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection [1.0190194769786831]
Unsupervised Anomaly Detection (UAD) は、ラベル付きデータなしで異常を検出することを目的としている。
解析的に解ける一級SVMを用いて表現学習を緊密に結合する新しい手法を提案する。
このモデルは、MNIST-Cに基づく新しいベンチマークと、挑戦的な脳MRI微妙な病変検出タスクの2つのタスクで評価されている。
論文 参考訳（メタデータ） (2025-07-25T13:00:40Z) - Two-Steps Neural Networks for an Automated Cerebrovascular Landmark Detection [0.8749675983608172]
神経節内大動脈瘤(ICA)は、通常ウィリス円(CoW)の特定の部分で発生する
2ステップのニューラルネットワークプロセスを用いて,CoW分岐に対する完全自動ランドマーク検出手法を提案する。
論文 参考訳（メタデータ） (2025-07-03T06:23:38Z) - Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。
CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。
クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文 参考訳（メタデータ） (2025-04-15T10:42:25Z) - Breaking the Bias: Recalibrating the Attention of Industrial Anomaly Detection [20.651257973799527]
RAAD(Recalibrating Attention of Industrial Anomaly Detection)は、アテンションマップを系統的に分解・再分類するフレームワークである。
HQSは、アテンションマップの階層性に基づいてビット幅を動的に調整する。
一つの3090tiを用いて,32データセットに対するRAADの有効性を検証した。
論文 参考訳（メタデータ） (2024-12-11T08:31:47Z) - LAA-Net: Localized Artifact Attention Network for Quality-Agnostic and Generalizable Deepfake Detection [12.567069964305265]
本稿では,LAA-Net(Localized Artifact Attention Network)と呼ばれる高品質なディープフェイク検出手法を提案する。
高品質なディープフェイク検出のための既存の方法は、主に暗黙の注意機構を備えた教師付きバイナリ分類器に基づいている。
いくつかのベンチマークで行った実験は、AUC(Area Under the Curve)とAP(Average Precision)の観点から、我々のアプローチの優位性を示している。
論文 参考訳（メタデータ） (2024-01-24T23:42:08Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z) - Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and
Localization [30.317619885984005]
本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。
SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。
提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
論文 参考訳（メタデータ） (2023-06-29T16:25:04Z) - Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。
画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。
弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-06-06T08:19:30Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z)
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。