論文の概要: Unsupervised Brain Anomaly Detection as a Bayesian Inverse Problem with Diffusion Prior

• arxiv url: http://arxiv.org/abs/2609.24265v1
• Date: Mon, 21 Sep 2026 08:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.211043
• Title: Unsupervised Brain Anomaly Detection as a Bayesian Inverse Problem with Diffusion Prior
• Title（参考訳）: 拡散前のベイズ逆問題としての教師なし脳異常検出
• Abstract要約: 教師なし異常検出は、ピクセルレベルのアノテーションを使わずに、医療スキャンにおける異常領域の局所化を目的としている。 拡散前のベイズ逆問題として UAD の別の定式化を提案する。 拡散型逆問題手法の最近の進歩に基づき, 擬似健康画像と異常マスクを後方サンプリングにより共同で推定する。
• 参考スコア（独自算出の注目度）: 0.932527851220696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection (UAD) aims to localize abnormal regions in medical scans without pixel-level annotations. A typical strategy seeks to reconstruct a pseudo-healthy image that preserves subject-specific anatomy. Recently, diffusion models have been proposed to perform UAD. However, these methods rely on heuristic noise schedules or synthetic corruptions to balance subject-specificity and anomaly removal. In this work, we propose an alternative formulation of UAD as a Bayesian inverse problem under a diffusion prior. First, we introduce a latent spatial anomaly mask that models pixel-wise consistency between a test image and its latent corresponding pseudo-healthy image. Then, we propose an approximation of the unknown generation process that links healthy anatomy, anomalies, and the observed image, enabling a well-defined likelihood within the Bayesian framework. Building on recent advances in diffusion-based inverse problem methods, we jointly infer the pseudo-healthy image and the anomaly mask via annealed posterior sampling. We evaluate our approach on FDG PET (ADNI) and FLAIR MRI (BraTS 2021), demonstrating improved anomaly localization performance compared to other diffusion-based approaches and validating the contribution of our introduced model. Our code is available at https://github.com/HuguesRoy/UAD_DAPS.
• Abstract（参考訳）: 非教師付き異常検出(UAD)は、ピクセルレベルのアノテーションを使わずに、医療スキャンにおける異常領域の局在化を目的とする。 典型的な戦略は、被験者固有の解剖を保存した擬似健康イメージを再構築しようとするものである。 近年,UADを行うための拡散モデルが提案されている。 しかし、これらの手法は、主観的特異性と異常除去のバランスをとるために、ヒューリスティックノイズスケジュールや合成汚職に依存している。 本研究では, 拡散前のベイズ逆問題として, UAD の別の定式化を提案する。 まず、被検画像と被検者の擬似健康画像との画素単位の整合性をモデル化した潜時空間異常マスクを提案する。 そこで本研究では, 正常な解剖, 異常, 観察された画像とを関連付ける未知の生成過程の近似を提案し, ベイズフレームワーク内での確実性について検討する。 拡散法に基づく逆問題手法の最近の進歩に基づき, 擬似健康画像と異常マスクを熱処理後サンプリングにより同時推定する。 我々はFDG PET (ADNI) とFLAIR MRI (BraTS 2021) に対するアプローチを評価し、他の拡散に基づくアプローチと比較して異常な局所化性能の向上を示し、導入モデルの有効性を検証した。 私たちのコードはhttps://github.com/HuguesRoy/UAD_DAPS.comで利用可能です。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• Harnessing EHRs for Diffusion-based Anomaly Detection on Chest X-rays [10.062242117926177]
  画像診断におけるunsupervised anomaly detection (UAD) は, 広範囲なラベル付きデータを必要とせず, 病変の同定に重要である。 Diff3Mは胸部X線と構造化電子健康記録を融合した多モード拡散型フレームワークである。
  論文  参考訳（メタデータ） (2025-05-22T22:02:47Z)
• MAD-AD: Masked Diffusion for Unsupervised Brain Anomaly Detection [15.572896213775438]
  脳画像における教師なし異常検出は、ラベルにアクセスせずに損傷や病理を識別するために重要である。 本研究では,拡散モデルにマスキングを組み込んだ新しい手法を提案し,その生成能力を活用して正常脳解剖学の堅牢な表現を学習する。 提案手法は,既存の教師なし異常検出手法を超越し,高精度な正常な異常発生と局所的異常発生に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-02-24T08:11:29Z)
• 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)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• 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)

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。