論文の概要: Seeing Abnormal from Normal: Glomerular Abnormality in Representations of Normal Renal Morphology

• arxiv url: http://arxiv.org/abs/2609.19444v2
• Date: Thu, 24 Sep 2026 01:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.26177
• Title: Seeing Abnormal from Normal: Glomerular Abnormality in Representations of Normal Renal Morphology
• Title（参考訳）: 正常から異常を見る:正常腎形態の表現における糸球体異常
• Abstract要約: 一級異常検出は、教師付き分類の代替となる。 本稿では,Hahalanobisの正規参照スコアと表現分析を組み合わせたフレームワークであるNoRDeCを提案する。 NoRDeCは7つの異常カテゴリとプール分析の6つのカテゴリで最高AUROCを達成した。
• 参考スコア（独自算出の注目度）: 6.914349750104102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained evaluation of glomerular pathology must distinguish normal glomeruli from abnormalities such as global and segmental glomerulosclerosis, obsolescent, ischemic, solidified, disappearing, and atubular glomeruli. Supervised classification requires labeled examples of every category, which is impractical when subtypes are rare or absent from the training cohort. One-class anomaly detection offers an alternative by modeling normal data and scoring deviations, allowing previously unseen abnormalities to be detected. We use the frozen residual U-Net backbone of Omni-Seg, pretrained to segment structurally normal renal primitives without abnormal-subtype labels. We propose NoRDeC (Normal-Reference Detection and Characterization), a framework combining Mahalanobis normal-reference scoring with layer-wise representation analysis to determine whether and where glomerular pathology is encoded, how spatial aggregation affects detection, and whether abnormalities alter inter-layer relationships differently. Using glomerular images from two institutions, we evaluate backbone layers and aggregation strategies, compare NoRDeC with PaDiM and PatchCore, and analyze representations using centered kernel alignment (CKA). Layer 4 with Center-70 aggregation achieved a pooled AUROC of $0.926\pm0.013$. NoRDeC achieved the highest AUROC in six of seven abnormality categories and in the pooled analysis, while CKA suggested subtype-dependent changes in inter-layer relationships not captured by anomaly scores alone. The normal-reference model is fitted using only normal glomeruli; abnormality labels are used for configuration selection, evaluation, and grouping in the representation analysis. These results show that a frozen renal feature extractor can support both detection and representation-level characterization of glomerular abnormalities without using abnormal examples to fit the detector.
• Abstract（参考訳）: 糸球体病理の微細な評価は, 正常糸球体と, 球状糸球体硬化症, 閉塞性, 虚血性, 固化, 消失, 管球状糸球体との鑑別が必要である。 監督された分類には、すべてのカテゴリーのラベル付き例が必要であるが、これは訓練コホートからサブタイプが稀または欠落している場合に非現実的である。 1クラスの異常検出は、通常のデータをモデル化し、偏差を評価することで代替手段を提供する。 我々はOmni-Segの凍結残存U-Netバックボーンを用いて,異常なサブタイプラベルを伴わず,構造上正常な腎プリミティブを分節する訓練を行った。 NoRDeC(Normal-Reference Detection and Characterization)は,Mahalanobisの正規参照スコアと階層的表現分析を組み合わせたフレームワークで,糸球体病理がコード化されているか,空間的凝集が検出にどう影響するか,そして異常が層間関係を変えるかどうかを判定する。 2つの施設からの球面画像を用いて、バックボーン層とアグリゲーション戦略を評価し、NoRDeCとPaDiMとPatchCoreを比較し、中央カーネルアライメント(CKA)を用いて表現を分析する。 Center-70アグリゲーションのレイヤ4は、AUROCが0.926\pm0.013$でプールされた。 NoRDeCは7つの異常カテゴリのうち6つのAUROCとプール解析で最高値を記録したが、CKAは異常スコアだけでは捉えられない層間関係のサブタイプ依存的な変化を示唆した。 正規参照モデルは通常の糸球体のみを使用し、異常ラベルは表現解析における構成選択、評価、グループ化に使用される。 これらの結果から, 凍結腎機能抽出器は, 異常例を使わずに, 糸球体異常の検出と表現レベルの評価を両立できることが示唆された。

関連論文リスト

• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• InCTRLv2: Generalist Residual Models for Few-Shot Anomaly Detection and Segmentation [40.431502791639936]
  InCTRLv2は、二重ブランチフレームワークの下で、異常知覚の2つの新しい視点を導入している。 識別異常スコア学習(DASL)と1クラス異常スコア学習(OASL)の2つの新しいモジュールによって実現される。 10個のADデータセットの実験により、InCTRLv2は、さまざまな設定にわたる異常検出とセグメンテーションタスクの両方において、SotAのパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-04-06T12:30:46Z)
• Unsupervised Detection of Post-Stroke Brain Abnormalities [0.8373057326694192]
  ストローク後患者の焦点異常および非順序異常の教師なし検出のためのフローベース生成モデルであるREFLECTを評価した。 脳卒中患者の病変のないスライス(ATLAS)と健康管理(IXI)の2つのモデルを用いてトレーニングデータの有効性を検証した。 ATLAS 試験対象では, IXI 訓練モデルにより病変のセグメンテーションが向上し, 非病変異常に対する感受性が向上した。
  論文  参考訳（メタデータ） (2025-10-28T13:13:01Z)
• Normal-Abnormal Guided Generalist Anomaly Detection [24.763955488489852]
  Generalist Anomaly Detection (GAD)は、新しいターゲットドメインの異常を検出するために、元のドメイン上で統一モデルをトレーニングすることを目的としている。 従来のGAD法は主に通常のサンプルのみを参照として使用しており、現実のシナリオでしばしば利用できる異常なサンプルに含まれる貴重な情報を見下ろしている。 本報告では, 正常および異常サンプルを基準として, 種々の領域にわたる異常検出を誘導する正規誘導型一般異常検出法を提案する。
  論文  参考訳（メタデータ） (2025-10-01T04:27:10Z)
• 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)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Unsupervised Shape Normality Metric for Severity Quantification [6.584790328609133]
  解剖学的変形の重症度は、しばしば患者の臨床管理における決定要因となる。 病理サンプルのラベル付けが不十分なため、監督された方法が誤解される傾向がある。 本研究では,正常標本からのみ学習し,病理学の知識をゼロにする形状正規度測定法(SNM)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:53:45Z)

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。