論文の概要: Toward Training-Free Zero-Shot Anomaly Detection in 3D Medical Images: A Batch-Based Approach Using 2D Foundation Models

• arxiv url: http://arxiv.org/abs/2606.18749v1
• Date: Wed, 17 Jun 2026 06:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.038125
• Title: Toward Training-Free Zero-Shot Anomaly Detection in 3D Medical Images: A Batch-Based Approach Using 2D Foundation Models
• Title（参考訳）: 3次元医用画像における無訓練ゼロショット異常検出に向けて:2次元基礎モデルを用いたバッチベースアプローチ
• Authors: Tai Le-Gia,
• Abstract要約: 2次元基礎モデルを用いた3次元医用画像の異常検出のためのトレーニングフリーフレームワークCS3Fを提案する。 Anomaly scores are obtained from cross-ject mutual similarity. CS3Fは, 転移, グリオーマ, 脳卒中の脳MRIで評価し, 肺CTにて一般性試験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot anomaly detection (ZSAD) is attractive for medical imaging because clinical systems must handle heterogeneous acquisition protocols, changing patient populations, and pathologies for which annotated training data may be unavailable. Most existing zero-shot anomaly detection methods are designed for 2D images, and their direct extension to 3D medical volumes is limited by the scarcity of large-scale volumetric foundation models or by the difficulty of utilizing volumetric context. We propose CS3F, a training-free batch-based framework for ZSAD in 3D medical images using 2D foundation models. Each volume is decomposed along multiple anatomical axes and encoded slice-wise by a 2D vision transformer. These are then converted into localized volumetric tokens by pooling neighboring slice features. Anomaly scores are obtained from cross-subject mutual similarity: tokens that lack close analogues in other subjects are assigned higher anomaly scores. To reduce the attenuation of focal lesion signals caused by depth pooling, we introduce a coarse-to-fine tokenization strategy that enables fine-resolution volumetric scoring without exhaustive matching. CS3F is evaluated on brain MRI across metastases, glioma, and stroke, as well as validated on lung CT to test generalizability beyond atlas-aligned brain MRI. The results show that frozen 2D foundation models can support anomaly localization in 3D medical images, and that the benefit of fine tokenization depends strongly on lesion contrast and imaging modality.
• Abstract（参考訳）: ゼロショット異常検出(ZSAD)は、臨床システムが異質な取得プロトコル、患者数の変化、注釈付きトレーニングデータが利用できないような病理を扱わなければならないため、医療画像にとって魅力的である。 既存のゼロショット異常検出法の多くは2次元画像用に設計されており、大規模ボリューム基盤モデルの不足や、ボリュームコンテキストの活用の難しさにより、3次元医療ボリュームへの直接拡張が制限されている。 2次元基礎モデルを用いた3次元医用画像におけるZSADのための訓練不要バッチベースフレームワークCS3Fを提案する。 各体積は複数の解剖学的軸に沿って分解され、2次元視覚変換器によってスライス的に符号化される。 これらは、隣接するスライス機能をプールすることで、局所化されたボリュームトークンに変換される。 異常スコアは、オブジェクト間の相互類似性から得られる:他の被験者に類似点がないトークンは、より高い異常スコアが割り当てられる。 奥行きプーリングによる焦点病変信号の減衰を低減するため, 粗大なトークン化戦略を導入する。 CS3Fは、転移、グリオーマ、脳卒中の脳MRIで評価され、肺CTでアトラス脳MRI以外の一般化性をテストする。 その結果,凍結した2次元ファンデーションモデルは3次元医用画像における異常な局所化を支援でき,微細なトークン化の利点は病変のコントラストと画像のモダリティに強く依存していることがわかった。

関連論文リスト

• Training-Free Zero-Shot Anomaly Detection in 3D Brain MRI with 2D Foundation Models [0.0]
  3次元脳MRIにおけるZSADのためのフルトレーニングフリーフレームワークについて紹介する。 このフレームワークは, 2次元基礎モデルにより処理された多軸スライスを集約することにより, 局所化ボリュームトークンを構成する。 これらの3Dパッチトークンは、立方体空間コンテキストを復元し、距離ベースでバッチレベルの異常検出パイプラインと直接統合する。
  論文  参考訳（メタデータ） (2026-02-17T02:46:45Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning [0.15749416770494706]
  自己教師型深層学習は2次元の自然画像解析を加速させたが、3次元MRIへの変換は困難である。 定量的MRI(qMRI)を利用したemph-sequence-invariant self-supervised frameworkを提案する。 健常脳セグメンテーション(IXI)、脳梗塞セグメンテーション(ARC)、MRIによるデノイング実験は、ベースラインSSLアプローチよりも有意な増加を示した。
  論文  参考訳（メタデータ） (2025-01-21T11:27:54Z)
• CABLD: Contrast-Agnostic Brain Landmark Detection with Consistency-Based Regularization [2.423045468361048]
  CABLDは、ラベルなしスキャンにおける3次元脳ランドマーク検出のための、新しい自己教師型ディープラーニングフレームワークである。 提案手法はMRIによる脳のランドマーク検出を複雑に行うことで実証する。 我々のフレームワークは、解剖学的ランドマーク検出のための堅牢で正確なソリューションを提供し、広範囲の注釈付きデータセットの必要性を減らす。
  論文  参考訳（メタデータ） (2024-11-26T19:56:29Z)
• Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
  病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。 本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
  論文  参考訳（メタデータ） (2024-11-25T13:53:26Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。