論文の概要: Group Equivariant Diffusion for Anomaly Detection in Computational Cytology

• arxiv url: http://arxiv.org/abs/2607.25503v1
• Date: Tue, 28 Jul 2026 09:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.788943
• Title: Group Equivariant Diffusion for Anomaly Detection in Computational Cytology
• Title（参考訳）: 計算細胞学における集団同変拡散による異常検出
• Abstract要約: 異常検出フレームワークは、通常のスライド陰性パッチに基づいてトレーニングされ、テスト時に適用され、保留スライドの異常パッチにフラグを付けることができる。 生成物を含むほとんどの教師なしの異常検出アプローチは、臓器レベルのイメージングに調整され、大きなキュレートされたデータセットを必要とする。 本稿では,D4-同変U-Netによるアーキテクチャと,同変雑音結合と(任意に)フレーム平均化によって,回転と対称性を両立させるD4-同変拡散フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9787044180368328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational cytology on whole-slide images is challenging because malignant cells are rare, heterogeneous, and annotated slides are scarce. Anomaly detection frameworks can be trained on normal slide-negative patches and then applied at test time to flag abnormal patches in held-out slides. Most unsupervised anomaly detection approaches including generative ones (GAN-based and diffusion-based), are tuned to organ-level imaging and require large curated datasets. In cytology the signal is cell-centric: rotating or flipping a single-cell patch does not change its diagnostic class, yet standard diffusion models treat transformed views as distinct inputs, leading to transformation-dependent reconstructions and unstable anomaly scores. We propose a D4-equivariant diffusion framework that enforces rotation and reflection symmetry both architecturally, via a D4-equivariant U-Net, and at inference, via equivariant noise coupling and (optionally) frame averaging. This alignment with biological invariance yields transformation-consistent pseudo-healthy reconstructions and more stable anomaly ranking under symmetry. On two publicly available cytology datasets of bone marrow and peripheral blood smears, our D4-equivariant diffusion models achieve higher AUC and retrieve more abnormal cells in the top K predictions than non-equivariant generative baselines, a deep one-class, and a multiple instance learning based method, while substantially reducing score variance across rotations and flips. Code is available at https://swchmida.github.io/D4diffCyto/.
• Abstract（参考訳）: 悪性細胞は稀で, 異質であり, 注釈付きスライドが乏しいため, 全スライディング画像上の計算細胞診は困難である。 異常検出フレームワークは、通常のスライド陰性パッチに基づいてトレーニングされ、テスト時に適用され、保留スライドの異常パッチにフラグを付けることができる。 生成物(GANベース、拡散ベース)を含むほとんどの教師なしの異常検出アプローチは、臓器レベルのイメージングに調整され、大きなキュレートされたデータセットを必要とする。 細胞学では、シグナルは細胞中心であり、単一細胞パッチの回転または反転は診断クラスを変えないが、標準的な拡散モデルは変換されたビューを異なる入力として扱い、変換依存的な再構成と不安定な異常スコアをもたらす。 本稿では,D4-同変U-Netを用いたアーキテクチャと,同変雑音結合と(任意に)フレーム平均化により,回転対称性と反射対称性を両立するD4-同変拡散フレームワークを提案する。 この生物学的不変性とのアライメントは、変換に一貫性のある擬似健康再構築と、対称性の下でのより安定した異常ランキングをもたらす。 D4-同変拡散モデルでは, 骨髄および末梢血の2種類の細胞診データセットを用いてAUCを高くし, 非同変生成基線, 深層1クラス, マルチインスタンス学習ベース法よりも上位K予測の異常細胞を検索し, 回転とフリップのスコア分散を著しく低減した。 コードはhttps://swchmida.github.io/D4diffCyto/で公開されている。

関連論文リスト

• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• scDFM: Distributional Flow Matching Model for Robust Single-Cell Perturbation Prediction [12.48933770510505]
  条件付きフローマッチングに基づく生成フレームワークである scDFM を提案する。 scDFMは、細胞レベルでの通信以上の個体群を混乱させ、制御する。
  論文  参考訳（メタデータ） (2026-02-06T17:00:21Z)
• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• Denoising diffusion networks for normative modeling in neuroimaging [1.0195618602298684]
  ほとんどの神経画像パイプラインは画像由来表現型(IDP)の1つのモデルに適合する IDPの統一条件密度推定器として拡散確率モデル(DDPM)を提案する。 ヘテロセダスティックおよびマルチモーダルな年齢効果を持つ合成ベンチマークと,英国バイオバンクフリーサーファー表現型を用いて,次元2～200のスケールで評価した。
  論文  参考訳（メタデータ） (2026-01-24T06:19:10Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)

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。