論文の概要: Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis

• arxiv url: http://arxiv.org/abs/2512.01534v1
• Date: Mon, 01 Dec 2025 11:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.814646
• Title: Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis
• Title（参考訳）: 脳画像における深部教師なし異常検出:大規模ベンチマークとバイアス解析
• Authors: Alexander Frotscher, Christian F. Baumgartner, Thomas Wolfers,
• Abstract要約: 脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
• 参考スコア（独自算出の注目度）: 42.60508892284938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep unsupervised anomaly detection in brain magnetic resonance imaging offers a promising route to identify pathological deviations without requiring lesion-specific annotations. Yet, fragmented evaluations, heterogeneous datasets, and inconsistent metrics have hindered progress toward clinical translation. Here, we present a large-scale, multi-center benchmark of deep unsupervised anomaly detection for brain imaging. The training cohort comprised 2,976 T1 and 2,972 T2-weighted scans from healthy individuals across six scanners, with ages ranging from 6 to 89 years. Validation used 92 scans to tune hyperparameters and estimate unbiased thresholds. Testing encompassed 2,221 T1w and 1,262 T2w scans spanning healthy datasets and diverse clinical cohorts. Across all algorithms, the Dice-based segmentation performance varied between 0.03 and 0.65, indicating substantial variability. To assess robustness, we systematically evaluated the impact of different scanners, lesion types and sizes, as well as demographics (age, sex). Reconstruction-based methods, particularly diffusion-inspired approaches, achieved the strongest lesion segmentation performance, while feature-based methods showed greater robustness under distributional shifts. However, systematic biases, such as scanner-related effects, were observed for the majority of algorithms, including that small and low-contrast lesions were missed more often, and that false positives varied with age and sex. Increasing healthy training data yields only modest gains, underscoring that current unsupervised anomaly detection frameworks are limited algorithmically rather than by data availability. Our benchmark establishes a transparent foundation for future research and highlights priorities for clinical translation, including image native pretraining, principled deviation measures, fairness-aware modeling, and robust domain adaptation.
• Abstract（参考訳）: 脳磁気共鳴画像における深い教師なしの異常検出は、病変特異的なアノテーションを必要とせず、病理学的逸脱を識別する有望な経路を提供する。 しかし、断片化評価、異種データセット、一貫性のないメトリクスは、臨床翻訳の進歩を妨げている。 本稿では,脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 トレーニングコホートは6つのスキャナーで、健康な個人から2,976 T1と2,972 T2重み付きスキャンを行い、年齢は6歳から89歳だった。 検証では92のスキャンを用いてハイパーパラメータを調整し、バイアスのない閾値を推定した。 健康なデータセットと多様な臨床コホートにまたがる2,221 T1wと1,262 T2wスキャンを検査した。 すべてのアルゴリズムにおいて、Diceベースのセグメンテーション性能は0.03から0.65まで様々であり、かなりの変動性を示している。 頑健性を評価するため, 異なるスキャナ, 病変の種類, サイズ, 人口動態(年齢, 性別)の影響を系統的に評価した。 再構成法,特に拡散誘発法は最強病変セグメンテーション性能を達成し,特徴ベース法は分布シフト下でより堅牢性を示した。 しかし、スキャナー関連効果などの系統的バイアスは、小・低コントラスト病変がより多く欠落し、偽陽性は年齢や性別によって異なるなど、アルゴリズムの大部分で観察された。 健全なトレーニングデータの増加は、現在の教師なしの異常検出フレームワークが、データ可用性よりもアルゴリズム的に限定されていることを強調して、わずかな利益しか得られない。 本ベンチマークでは,画像ネイティブ事前学習,原則偏差測定,公平性を考慮したモデリング,堅牢なドメイン適応など,臨床翻訳の優先事項を明らかにする。

関連論文リスト

• Hybrid Approach for Enhancing Lesion Segmentation in Fundus Images [0.0]
  脈絡膜壊死は良性色素性眼の病変であり、メラノーマに転移するリスクは少ない。 早期発見は生存率を改善するために重要であるが、誤診や診断の遅れは予後不良につながる可能性がある。 本稿では,数理/クラスタリングセグメンテーションモデルとU-Netの知見を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-29T22:10:56Z)
• Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection [0.0]
  本研究は, 肺がん, 特に肺結節の検出を目的とした深層学習モデルと, 胸部X線写真を用いた8つの肺病理組織について検討した。 アンサンブル法とトランスファーラーニングを利用した2段階分類システムを用いて,最初のトリアージ画像を正規あるいは異常に分類する。 このモデルでは、最高の性能の精度は77%、感度は0.713、特異度は0.776、AUCスコアは0.888である。
  論文  参考訳（メタデータ） (2024-12-16T11:47:07Z)
• 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)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• 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)
• Mitosis domain generalization in histopathology images -- The MIDOG challenge [12.69088811541426]
  病理学者による有糸分裂像の認識は、強い層間バイアスを受けており、予後の値が制限される。 最先端のディープラーニング手法は、この評価のエキスパートを支援することができるが、トレーニングに使われたものとは異なる臨床環境に適用した場合、非常に劣化することが知られている。 MICCAI MIDOG 2021の課題は、スキャナ非依存性ミトーシス検出アルゴリズムを導出する手法の提案と評価である。
  論文  参考訳（メタデータ） (2022-04-06T11:43:10Z)
• 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)
• 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)
• 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)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)

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。