論文の概要: Unsupervised Anomaly Detection for Image Dataset Quality Assurance in Multi-Center Breast MRI

• arxiv url: http://arxiv.org/abs/2608.16725v1
• Date: Mon, 17 Aug 2026 15:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.78385
• Title: Unsupervised Anomaly Detection for Image Dataset Quality Assurance in Multi-Center Breast MRI
• Title（参考訳）: マルチセンター乳房MRIにおける画像データセット品質保証のための教師なし異常検出
• Abstract要約: 崩壊、矛盾、異常なデータは、医療AIの安全性と信頼性を静かに脅かす。 我々は、自動データセットQAメカニズムとして、教師なし異常検出(AD)とアウト・オブ・ディストリビューション(OOD)を検出する。 6つの公開データセットから17の現実的なQA関連異常型のADベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 1.334099611116506
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Corrupted, inconsistent, or anomalous data silently threatens the safety and reliability of medical AI. Despite growing regulatory recognition of dataset quality assurance (QA) for high-risk medical AI, scalable automated detection remains underdeveloped. We employ unsupervised anomaly detection (AD) and out-of-distribution (OOD) detection as an automated dataset QA mechanism for multi-center dynamic contrast-enhanced breast MRI. We build a controlled AD benchmark of 17 realistic QA-relevant anomaly types from six public datasets (protocol violations, processing errors, incorrect anatomical regions) and propose a taxonomy of radiological image anomalies based on human visual perception, enabling fine-grained analysis of AD failure modes. The benchmark includes near-, medium-far-, far-OOD samples, as well as in-distribution and external normal data. Four methods are evaluated: a projection-based method extended with a domain-specific feature extractor and a novel positional encoding, a reconstruction-based approach extended to full 3D volumes with an augmented training objective, and two unmodified hybrid OOD detection methods. Medium-far- and far-OOD samples are detected reliably, whereas near-OOD samples and external normal data from unseen institutions expose method-specific differences. The 3D reconstruction-based approach best balances detection performance (AUROC: 0.936) and generalization to unseen institutions. The projection-based method with positional encoding achieves the highest overall detection performance (AUROC: 0.954). Both hybrid methods exhibit critical failure modes, confirming that methods validated for one modality or anatomy may not generalize without domain-specific adaptation. Implants and mastectomies remain an open challenge for all methods. Our results establish a foundation and practical guidance on scalable unsupervised QA in medical AI pipelines.
• Abstract（参考訳）: 崩壊、矛盾、異常なデータは、医療AIの安全性と信頼性を静かに脅かす。 ハイリスクな医療AIのためのデータセット品質保証(QA)の規制的認識が高まる一方で、スケーラブルな自動検出はまだ未開発である。 マルチセンターダイナミックコントラスト強調乳房MRIのための自動データセットQAメカニズムとして,教師なし異常検出 (AD) とアウト・オブ・ディストリビューション (OOD) を応用した。 そこで我々は、6つの公開データセット(プロトコール違反、処理エラー、解剖学的領域の誤)から17種類の現実的QA関連異常型を対照したADベンチマークを作成し、人間の視覚的知覚に基づく放射線画像異常の分類を提案し、AD故障モードのきめ細かい分析を可能にした。 このベンチマークには、近距離、中距離、遠距離のOODサンプルと、分布内および外部の正規データが含まれている。 ドメイン固有の特徴抽出器と新しい位置符号化で拡張されたプロジェクションベース手法と、拡張訓練目的のフル3Dボリュームに拡張された再構成ベース手法と、2つの未修正ハイブリッドOOD検出方法の4つの手法を評価した。 中・遠・遠ODサンプルは確実に検出されるが、近OODサンプルと未確認施設の外部標準データは、メソッド固有の差異を露呈する。 3D再構成に基づくアプローチは、検出性能(AUROC:0.936)と、目に見えない施設への一般化を最良のバランスで行う。 位置符号化を用いた投影法は, 総合検出性能が最も高い(AUROC: 0.954)。 どちらのハイブリッド手法も重要な障害モードを示しており、一つのモダリティや解剖学で検証された手法はドメイン固有の適応なしでは一般化できないことを確認している。 インプラントとマステコトミーは、あらゆる方法においてオープンな課題である。 医療用AIパイプラインにおけるスケーラブルな教師なしQAの基礎と実践的ガイダンスを確立した。

関連論文リスト

• Out-of-Distribution Detection in Medical Imaging via Diffusion Trajectories [8.591748099943167]
  医用画像では、unsupervised out-of-distribution (OOD) 検出は病理疾患の同定に魅力的なアプローチである。 現在の生成的アプローチは、しばしば推定や再構成の誤りに依存する。 本稿では,スタインスコアに基づくデノナイジング拡散モデルの前方拡散軌道を利用する再構成不要なOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2025-07-31T10:36:58Z)
• OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection [1.0190194769786831]
  Unsupervised Anomaly Detection (UAD) は、ラベル付きデータなしで異常を検出することを目的としている。 解析的に解ける一級SVMを用いて表現学習を緊密に結合する新しい手法を提案する。 このモデルは、MNIST-Cに基づく新しいベンチマークと、挑戦的な脳MRI微妙な病変検出タスクの2つのタスクで評価されている。
  論文  参考訳（メタデータ） (2025-07-25T13:00:40Z)
• U2AD: Uncertainty-based Unsupervised Anomaly Detection Framework for Detecting T2 Hyperintensity in MRI Spinal Cord [7.811634659561162]
  脊髄MR画像におけるT2過強度は、変性頚髄症などの病態において重要なバイオマーカーである。 深層学習法は病変検出の可能性を示してきたが、ほとんどの教師付きアプローチは大きな注釈付きデータセットに大きく依存している。 本稿では,これらの制約に対処するため,不確実性に基づくunsupervised Anomaly DetectionフレームワークであるU2ADを提案する。
  論文  参考訳（メタデータ） (2025-03-17T17:33:32Z)
• Enhancing Reconstruction-Based Out-of-Distribution Detection in Brain MRI with Model and Metric Ensembles [2.6123133623254193]
  アウト・オブ・ディストリビューション(OOD)検出は、自動化された医用画像分析システムを安全に展開するために重要である。 脳MRIにおける人工臓器の教師なし検出における再構成に基づくオートエンコーダの有効性について検討した。
  論文  参考訳（メタデータ） (2024-12-23T13:58:52Z)
• Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective [11.299666944696368]
  脳MRIにおける異常検出タスクには、再構成に基づく手法が広く採用されている。 本稿では,構造類似度指標尺度(SSIM)の構造レベルの感度と,画素レベルのl1の精度を適切に統合する新しい尺度である融合品質を提案する。 我々のIQAアプローチは,最先端のベースラインと統合した場合の医療異常検出性能を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2024-08-15T15:55:07Z)
• 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)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Unsupervised 3D Brain Anomaly Detection [0.0]
  異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。 本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
  論文  参考訳（メタデータ） (2020-10-09T17:59:17Z)
• 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)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。