論文の概要: Example-based Robust Abnormality Detection with Minimal Annotations using Exemplar Med-DETR

• arxiv url: http://arxiv.org/abs/2608.24281v1
• Date: Tue, 25 Aug 2026 09:06:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.90856
• Title: Example-based Robust Abnormality Detection with Minimal Annotations using Exemplar Med-DETR
• Title（参考訳）: Exemplar Med-DETR を用いた最小アノテーションを用いた例に基づくロバスト異常検出
• Abstract要約: 我々は,チェストX線(CXR)画像の異常検出を最小限の監督下で効率的に行うために,スケーラブルなFS検出手法を提案する。 本手法は、アノテーション付きデータの10%未満を用いて、最先端(SOTA)検出性能を実現する。
• 参考スコア（独自算出の注目度）: 4.558123049022306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reducing annotation requirements remains a key challenge in developing robust medical object detectors. To address this, Vision-Language (VL) object detection methods leverage grounding text information to enable powerful zero-shot and few-shot object detectors in the natural image domain [1, 2, 3, 4]. However, transferring these methods to the medical domain is challenging due to the absence of comparable quality and quantity of the grounding data. Regardless, significant contextual and non-imaging information exists in medical images that remains underutilized. Few-shot learning (FSL) techniques partially address this limitation but struggle to general ize to unseen medical findings and require extensive retraining when new findings are introduced [5, 6]. To overcome these challenges, we extend our prior EM-DETR framework [7] and introduce a scalable FS detection approach designed for efficient abnormality detection in Chest X-Ray (CXR) images under minimal supervision. The proposed architecture incorporates exemplar-based feature generation and domain-aware contrastive optimization, enabling effective adaptation to novel disease findings without exhaustive retraining. Our method achieves near state-of-the-art (SOTA) detection performance using less than 10% of the annotated data, demonstrating its potential for practical, annotation-efficient clinical deployment across both proprietary and public CXR datasets.
• Abstract（参考訳）: アノテーションの要求を減らすことは、堅牢な医療オブジェクト検出器を開発する上で重要な課題である。 これを解決するために、VL(Vision-Language)オブジェクト検出法は、テキスト情報の接地を利用して、自然画像領域[1, 2, 3, 4]における強力なゼロショットおよび少数ショットオブジェクト検出を可能にする。 しかし,これらの手法を医療領域に移すことは,基礎データの質や量に匹敵しないため困難である。 いずれにせよ、未利用のままの医療画像には、重要な文脈情報や非画像情報が存在している。 FSL (Few-shot Learning) 技術はこの限界に部分的に対処するが, 未確認の医学的発見への一般化に苦慮し, 新たな発見が導入された場合, 広範囲な再訓練が必要である [5, 6]。 これらの課題を克服するため,我々は従来のEM-DETRフレームワーク [7] を拡張し,チェストX線(CXR)画像における効率的な異常検出を目的としたスケーラブルなFS検出手法を導入する。 提案アーキテクチャは,先進的な特徴生成とドメイン認識のコントラスト最適化を取り入れ,抜本的再トレーニングを伴わない新規な疾患発見への効果的な適応を可能にする。 本手法は, アノテーション付きデータの10%未満を用いて, ほぼ最先端(SOTA)検出性能を達成し, プロプライエタリなCXRデータセットとパブリックなCXRデータセットの両方にわたって, 実用的な, アノテーション効率の高い臨床展開の可能性を示す。

関連論文リスト

• Improved Anomaly Detection in Medical Images via Mean Shift Density Enhancement [0.0]
  画像診断における異常検出は稀な病態の同定に不可欠である。 本稿では,自己教師付き表現学習と多様体に基づく密度推定を統合したハイブリッドな異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-21T07:58:44Z)
• MedROV: Towards Real-Time Open-Vocabulary Detection Across Diverse Medical Imaging Modalities [89.81463562506637]
  医用画像のための最初のリアルタイムオープン語彙検出モデルであるMedROVを紹介する。 対照的な学習とクロスモーダル表現を活用することで、MedROVは既知の構造と新しい構造の両方を効果的に検出する。
  論文  参考訳（メタデータ） (2025-11-25T18:59:53Z)
• 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)
• Decentralized LoRA Augmented Transformer with Context-aware Multi-scale Feature Learning for Secured Eye Diagnosis [2.1358421658740214]
  本稿では、コンテキスト認識型マルチスケールパッチ埋め込み、ローランド適応(LoRA)、知識蒸留、フェデレーション学習を統合し、これらの課題に統一的に対処する新しいデータ効率画像変換器(DeiT)ベースのフレームワークを提案する。 提案モデルでは,マルチスケールパッチ表現と局所的および大域的注意機構を活用することで,局所的および大域的網膜特徴を効果的に捉えている。
  論文  参考訳（メタデータ） (2025-05-11T13:51:56Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Domain Adaptation of Echocardiography Segmentation Via Reinforcement Learning [4.850478245721347]
  我々はRL4Segを紹介した。RL4Segは革新的な強化学習フレームワークで、ターゲットドメインに専門的な注釈付きデータセットを組み込む必要がなくなる。 RL4Segは1万枚の未診断2D心エコー画像のターゲットデータセットを用いて、ターゲットドメインから220名の専門家検証対象のサブセットに対して99%の解剖学的妥当性を達成している。
  論文  参考訳（メタデータ） (2024-06-25T19:26:39Z)
• 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)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Brain subtle anomaly detection based on auto-encoders latent space analysis : application to de novo parkinson patients [0.0]
  パッチベースのオートエンコーダは、潜在空間によって提供される効率的な表現力を持ち、可視的病変検出には良い結果が得られた。 本研究は,多変量解析から派生した2つの代替検出基準を設計し,潜在空間表現から情報をより直接取得する。 パーキンソン病(PD)分類の難しい課題において,2つの指導的学習法と比較した。
  論文  参考訳（メタデータ） (2023-02-27T08:58:31Z)
• Unsupervised Domain Adaptation for Low-dose CT Reconstruction via Bayesian Uncertainty Alignment [32.632944734192435]
  低線量CT(LDCT)画像再構成技術は、許容画質を維持しつつ、患者の放射線被曝を減らすことができる。 この問題ではディープラーニングが広く用いられているが、臨床シナリオではデータテストのパフォーマンスが劣化することが多い。 LDCT再構成の教師なし領域適応(UDA)は分布アライメントによってこの問題を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-02-26T07:10:09Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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)

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。