論文の概要: FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI

• arxiv url: http://arxiv.org/abs/2511.12899v1
• Date: Mon, 17 Nov 2025 02:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.619217
• Title: FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI
• Title（参考訳）: 脳MRIにおける教師なし異常検出のための周波数分解前処理パイプラインFDP
• Authors: Hao Li, Zhenfeng Zhuang, Jingyu Lin, Yu Liu, Yifei Chen, Qiong Peng, Lequan Yu, Liansheng Wang,
• Abstract要約: 我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
• 参考スコア（独自算出の注目度）: 44.4791295950757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the diversity of brain anatomy and the scarcity of annotated data, supervised anomaly detection for brain MRI remains challenging, driving the development of unsupervised anomaly detection (UAD) approaches. Current UAD methods typically utilize artificially generated noise perturbations on healthy MRIs to train generative models for normal anatomy reconstruction, enabling anomaly detection via residual mapping. However, such simulated anomalies lack the biophysical fidelity and morphological complexity characteristic of true clinical lesions. To advance UAD in brain MRI, we conduct the first systematic frequency-domain analysis of pathological signatures, revealing two key properties: (1) anomalies exhibit unique frequency patterns distinguishable from normal anatomy, and (2) low-frequency signals maintain consistent representations across healthy scans. These insights motivate our Frequency-Decomposition Preprocessing (FDP) framework, the first UAD method to leverage frequency-domain reconstruction for simultaneous pathology suppression and anatomical preservation. FDP can integrate seamlessly with existing anomaly simulation techniques, consistently enhancing detection performance across diverse architectures while maintaining diagnostic fidelity. Experimental results demonstrate that FDP consistently improves anomaly detection performance when integrated with existing methods. Notably, FDP achieves a 17.63% increase in DICE score with LDM while maintaining robust improvements across multiple baselines. The code is available at https://github.com/ls1rius/MRI_FDP.
• Abstract（参考訳）: 脳解剖学の多様性とアノテートデータの不足により、脳MRIの教師なし異常検出は依然として困難であり、教師なし異常検出(UAD)のアプローチが進展する。 現在のUAD法は一般的に、正常なMRIで人工的に生成されたノイズ摂動を利用して、正常な解剖学的再構成のための生成モデルを訓練し、残像マッピングによる異常検出を可能にしている。 しかし、そのような模擬異常は、真の臨床病変の生物学的忠実さと形態学的複雑さを欠いている。 脳MRIでUADを進行させるため,病的シグネチャの最初の系統的周波数領域解析を行い,(1)異常は正常な解剖と区別できる独自の周波数パターンを示し,(2)低周波信号は健康なスキャンで一貫した表現を維持する。 これらの知見は、周波数分割前処理(FDP)フレームワークを動機付け、周波数領域再構成を利用した最初のUAD法により、同時病態の抑制と解剖学的保存を実現した。 FDPは既存の異常シミュレーション技術とシームレスに統合することができ、診断精度を維持しつつ、さまざまなアーキテクチャにわたって検出性能を一貫して向上させることができる。 実験結果から,FDPは既存手法と統合した場合の異常検出性能を一貫して改善することが示された。 特に、FDPは、複数のベースラインにわたる堅牢な改善を維持しながら、LDMで17.63%のDICEスコアを達成している。 コードはhttps://github.com/ls1rius/MRI_FDPで公開されている。

関連論文リスト

• T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
  本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。 ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
  論文  参考訳（メタデータ） (2025-09-25T07:08:19Z)
• Double Helix Diffusion for Cross-Domain Anomaly Image Generation [47.093354259479234]
  本稿ではDH-Diff(Double Helix Diffusion)について紹介する。DH-Diffは高忠実度異常画像と画素レベルのアノテーションマスクを同時に合成する新しいクロスドメイン生成フレームワークである。 DH-Diffは二重ヘリックスにインスパイアされたユニークなアーキテクチャを採用し、特徴分離、接続、マージのために異なるモジュールをサイクリングする。 大規模な実験により、DH-Diffは多様性と信頼性において最先端の手法を著しく上回り、下流異常検出性能は大幅に向上した。
  論文  参考訳（メタデータ） (2025-09-16T08:06:07Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• MAD-AD: Masked Diffusion for Unsupervised Brain Anomaly Detection [15.572896213775438]
  脳画像における教師なし異常検出は、ラベルにアクセスせずに損傷や病理を識別するために重要である。 本研究では,拡散モデルにマスキングを組み込んだ新しい手法を提案し,その生成能力を活用して正常脳解剖学の堅牢な表現を学習する。 提案手法は,既存の教師なし異常検出手法を超越し,高精度な正常な異常発生と局所的異常発生に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-02-24T08:11:29Z)
• 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)
• 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)
• Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
  教師なし異常検出は、より広い範囲の異常を識別する可能性がある。 既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。 Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T14:02:56Z)
• 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)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。