論文の概要: MTL-MAD: Multi-Task Learners are Effective Medical Anomaly Detectors

• arxiv url: http://arxiv.org/abs/2605.05891v1
• Date: Thu, 07 May 2026 09:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.647493
• Title: MTL-MAD: Multi-Task Learners are Effective Medical Anomaly Detectors
• Title（参考訳）: MTL-MAD:マルチタスク学習者は効果的な医療異常検知器である
• Authors: Bogdan Alexandru Bercean, Florinel Alin Croitoru, Vlad Hondru, Ciprian Mihai Ceausescu, Andreea Iuliana Ionescu, Radu Tudor Ionescu,
• Abstract要約: 医用画像の異常検出は、訓練中は通常不可能であるため、難しい作業である。 我々は,Mixture-of-Experts(MoE)に基づくジョイントモデルを用いて,複数の自己監督的・擬似ラベルタスクをスクラッチから学習することを提案する。 我々のモデルは解釈可能な異常マップを生成し、医師がより正確な診断を行うのに役立つ可能性がある。
• 参考スコア（独自算出の注目度）: 22.46953076078191
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection in medical images is a challenging task, since anomalies are not typically available during training. Recent methods leverage a single pretext task coupled with a large-scale pre-trained model to reach state-of-the-art performance. Instead, we propose to learn multiple self-supervised and pseudo-labeling tasks from scratch, using a joint model based on Mixture-of-Experts (MoE). By carefully integrating multiple proxy tasks, the joint model effectively learns a robust representation of normal anatomical structures, so that anomaly scores can be derived based on how well the multi-task learner (MTL) solves each task during inference. We perform comprehensive experiments on BMAD, a recent benchmark that comprises a broad range of medical image modalities. The empirical results indicate that our multi-task learner is an effective anomaly detector, outperforming all state-of-the-art competitors on BMAD. Moreover, our model produces interpretable anomaly maps, potentially helping physicians in providing more accurate diagnoses.
• Abstract（参考訳）: 医用画像の異常検出は、訓練中は通常不可能であるため、難しい作業である。 近年の手法では、1つのプレテキストタスクと大規模事前学習モデルを組み合わせることで最先端の性能を実現する。 そこで我々は,Mixture-of-Experts (MoE) に基づくジョイントモデルを用いて,複数の自己監督的・擬似ラベルタスクをスクラッチから学習することを提案する。 複数のプロキシタスクを慎重に統合することにより、関節モデルは正常な解剖学的構造の堅牢な表現を効果的に学習し、マルチタスク学習者(MTL)が推論中に各タスクをいかにうまく解決するかに基づいて異常スコアを導出することができる。 幅広い医用画像モダリティを含む最近のベンチマークであるBMADについて包括的実験を行った。 実験の結果,我々のマルチタスク学習者は効果的な異常検知器であり,BMADにおける最先端の競争相手よりも優れていたことが示唆された。 さらに,本モデルでは,医師がより正確な診断を行うのに役立つ,解釈可能な異常マップを作成した。

関連論文リスト

• Point, Detect, Count: Multi-Task Medical Image Understanding with Instruction-Tuned Vision-Language Models [3.3091869879941687]
  マルチタスク医療画像理解のための微調整視覚言語モデル(VLM)について検討する。 我々は各タスクを視覚言語推論に適した命令ベースのプロンプトに再構成する。 その結果,マルチタスクトレーニングにより堅牢性と精度が向上した。
  論文  参考訳（メタデータ） (2025-05-22T13:18:44Z)
• MIND: Modality-Informed Knowledge Distillation Framework for Multimodal Clinical Prediction Tasks [50.98856172702256]
  マルチモーダルモデル圧縮手法である MIND (Modality-Informed Knowledge Distillation) フレームワークを提案する。 MINDは、様々なサイズの事前訓練されたディープニューラルネットワークのアンサンブルから、より小さなマルチモーダルの学生に知識を伝達する。 時系列データと胸部X線画像を用いた2値および複数ラベルの臨床予測タスクにおけるMINDの評価を行った。
  論文  参考訳（メタデータ） (2025-02-03T08:50:00Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Many tasks make light work: Learning to localise medical anomalies from multiple synthetic tasks [2.912977051718473]
  シングルクラスモデリングとアウト・オブ・ディストリビューション検出への関心が高まっている。 完全な教師付き機械学習モデルは、トレーニングに含まれていないクラスを確実に識別することはできない。 我々は,複数の視覚的に識別可能な合成異常学習タスクを,トレーニングと検証の両方に利用している。
  論文  参考訳（メタデータ） (2023-07-03T09:52:54Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Pre-training Multi-task Contrastive Learning Models for Scientific Literature Understanding [52.723297744257536]
  事前学習言語モデル(LM)は、科学文献理解タスクにおいて有効であることを示す。 文献理解タスク間の共通知識共有を容易にするために,マルチタスクのコントラスト学習フレームワークであるSciMultを提案する。
  論文  参考訳（メタデータ） (2023-05-23T16:47:22Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)
• Generalized Multi-Task Learning from Substantially Unlabeled Multi-Source Medical Image Data [11.061381376559053]
  MultiMixは、病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習する、新しいマルチタスク学習モデルである。 トレーニングセットにおける多ソースラベル付きデータの多量化実験により,MultiMixの有効性が確認された。
  論文  参考訳（メタデータ） (2021-10-25T18:09:19Z)
• MultiMix: Sparingly Supervised, Extreme Multitask Learning From Medical Images [13.690075845927606]
  本稿では,病気の分類と解剖学的分類を軽視的に学習する新しいマルチタスク学習モデルであるMultiMixを提案する。 胸部X線画像からの肺炎の分類と肺の分画に対するマルチタスキングモデルの有効性について検討した。
  論文  参考訳（メタデータ） (2020-10-28T03:47:29Z)

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。