論文の概要: Unsupervised Deep Generative Models for Anomaly Detection in Neuroimaging: A Systematic Scoping Review

• arxiv url: http://arxiv.org/abs/2510.14462v1
• Date: Thu, 16 Oct 2025 09:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.791834
• Title: Unsupervised Deep Generative Models for Anomaly Detection in Neuroimaging: A Systematic Scoping Review
• Title（参考訳）: 神経画像における異常検出のための教師なし深部生成モデル:システマティックスコーピングのレビュー
• Authors: Youwan Mahé, Elise Bannier, Stéphanie Leplaideur, Elisa Fromont, Francesca Galassi,
• Abstract要約: 教師なしの深層生成モデルは、脳イメージングにおける異常の検出とセグメンテーションのための教師付き方法に代わる有望な代替手段として浮上している。 これらのモデルは、健康的なデータにのみ訓練することができ、学習された規範的脳構造からの逸脱として異常を識別することができる。 The PRISMA-Guided scoping review synthesis is recent work on unsupervised deep generative model for anomaly detection in neuroimaging。
• 参考スコア（独自算出の注目度）: 0.8373057326694192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised deep generative models are emerging as a promising alternative to supervised methods for detecting and segmenting anomalies in brain imaging. Unlike fully supervised approaches, which require large voxel-level annotated datasets and are limited to well-characterised pathologies, these models can be trained exclusively on healthy data and identify anomalies as deviations from learned normative brain structures. This PRISMA-guided scoping review synthesises recent work on unsupervised deep generative models for anomaly detection in neuroimaging, including autoencoders, variational autoencoders, generative adversarial networks, and denoising diffusion models. A total of 49 studies published between 2018 - 2025 were identified, covering applications to brain MRI and, less frequently, CT across diverse pathologies such as tumours, stroke, multiple sclerosis, and small vessel disease. Reported performance metrics are compared alongside architectural design choices. Across the included studies, generative models achieved encouraging performance for large focal lesions and demonstrated progress in addressing more subtle abnormalities. A key strength of generative models is their ability to produce interpretable pseudo-healthy (also referred to as counterfactual) reconstructions, which is particularly valuable when annotated data are scarce, as in rare or heterogeneous diseases. Looking ahead, these models offer a compelling direction for anomaly detection, enabling semi-supervised learning, supporting the discovery of novel imaging biomarkers, and facilitating within- and cross-disease deviation mapping in unified end-to-end frameworks. To realise clinical impact, future work should prioritise anatomy-aware modelling, development of foundation models, task-appropriate evaluation metrics, and rigorous clinical validation.
• Abstract（参考訳）: 教師なしの深層生成モデルは、脳画像における異常の検出とセグメンテーションのための教師付き方法に代わる有望な代替手段として現れつつある。 大きなボクセルレベルのアノテートデータセットを必要とする完全教師付きアプローチとは異なり、これらのモデルは正常なデータにのみ訓練され、学習された規範的脳構造からの逸脱として異常を識別することができる。 The PRISMA-guided scoping review synthesis is recent work on unsupervised deep generative model for anomaly detection in neuroimaging, including autoencoders, variational autoencoders, generative adversarial network, and denoising diffusion model。 2018年から2025年の間に公表された49の研究では、脳MRIや、腫瘍、脳卒中、多発性硬化症、小血管疾患などの様々な疾患に対するCTの応用をカバーしている。 報告されたパフォーマンス指標とアーキテクチャ設計の選択を比較します。 対象とした研究全体にわたって、生成モデルは大きな焦点病変に対して促進的なパフォーマンスを達成し、より微妙な異常に対処する進行を実証した。 生成モデルの重要な強みは、解釈可能な擬似健康(反事実的)再構築(英語版)を作成できる能力であり、これは、稀な疾患や異種疾患のように、注釈付きデータが不足している場合に特に有用である。 今後、これらのモデルは、異常検出のための魅力的な方向を提供し、半教師付き学習を可能にし、新しいイメージングバイオマーカーの発見をサポートし、統合されたエンドツーエンドフレームワークにおける内部および横断的な偏差マッピングを容易にする。 臨床効果を実現するためには, 解剖モデル, 基礎モデルの開発, タスク適切な評価指標, 厳格な臨床検証を優先すべきである。

関連論文リスト

• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• 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)
• Unsupervised Pathology Detection: A Deep Dive Into the State of the Art [6.667150890634173]
  複数の医療データセット上で,最先端の非教師付き異常検出法 (UAD) の選択について検討した。 本実験は, 産業・医療文献から新たに開発された特徴モデリング手法により, 性能が向上することが実証された。 これらの手法は,最近開発された自己教師付き事前学習アルゴリズムの恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2023-03-01T16:03:25Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。