論文の概要: Quasi-Binarized Autoencoders: An Architecture-Independent Information Bottleneck for Medical Image Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.09670v1
• Date: Wed, 07 Oct 2026 08:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.800797
• Title: Quasi-Binarized Autoencoders: An Architecture-Independent Information Bottleneck for Medical Image Anomaly Detection
• Title（参考訳）: 擬似ビナライズドオートエンコーダ:医用画像異常検出のためのアーキテクチャ非依存型インフォメーション・ボトルネック
• Abstract要約: 教師なし異常検出は、医用画像解析において中心的な課題であり、依然として未解決の課題である。 本稿では,各潜伏要素を[0, 1]に分解し,スケール1/エプシロンのラプラス雑音を付加する準二元化層を提案する。 MedIAnomalyベンチマークの7つのデータセットでは、1つのアーキテクチャと1つの構成を持つQBAEが0.828の平均画像レベルAUROCに達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection, which learns only from normal images, is a central task in medical image analysis and remains an open problem. Reconstruction-based methods pass an image through an encoder-decoder network trained on normal data and detect anomalies from the residual between the image and its reconstruction. This works only if the information passed from the encoder to the decoder is limited; otherwise the network learns an identity mapping and reconstructs anomalies too. This limit is usually imposed through architectural choices, tuned per dataset, that cannot be stated in bits. We introduce the quasi-binarizing (QB) layer, which squashes each latent element into [0, 1] and adds Laplace noise of scale 1/epsilon. Each element is then epsilon-locally differentially private, and the mutual information between an image and its reconstruction is bounded by a quantity that depends only on epsilon and the number of QB elements, whatever the encoder and decoder. Placing a QB layer on every encoder-decoder path, including all skip connections, we build QBAE, a seven-level attention U-Net with 32,768 QB elements. On the seven datasets of the MedIAnomaly benchmark, QBAE with one architecture and one configuration reaches a mean image-level AUROC of 0.828, the highest among methods that do not adapt to each dataset, and the best reported results on BraTS2021 (AUROC 0.911, pixel-level AP 0.838). The noise is kept at test time, so that every reconstruction satisfies the bound. Without input corruption, the bottleneck alone prevents identity collapse (mean AUROC 0.805 vs. 0.590). Code is available at https://github.com/hanaokalog/MedIAnomalyQB.
• Abstract（参考訳）: 正常な画像からのみ学習する教師なし異常検出は、医用画像解析において中心的な課題であり、未解決の課題である。 レコンストラクションに基づく手法は、通常のデータに基づいて訓練されたエンコーダ・デコーダネットワークを介して画像をパスし、画像とリコンストラクションの間の残差から異常を検出する。 これは、エンコーダからデコーダに渡される情報が制限された場合にのみ動作する。 この制限は通常、データセットごとに調整されたアーキテクチャ上の選択によって課される。 本稿では,各潜伏要素を[0, 1]に分解し,スケール1/エプシロンのラプラス雑音を付加する準二元化(QB)層を導入する。 それぞれの要素は、エプシロンに局所的に微分され、画像と再構成の間の相互情報は、エンコーダとデコーダによらず、エプシロンとQB要素の数にのみ依存する量で境界づけられる。 全てのスキップ接続を含むエンコーダ/デコーダパスにQB層を配置し、32,768個のQB要素を持つ7レベルの注意U-NetであるQBAEを構築する。 MedIAnomalyベンチマークの7つのデータセットでは、1つのアーキテクチャと1つの構成を持つQBAEが、各データセットに適応しない平均画像レベルAUROC 0.828に達し、BraTS2021 (AUROC 0.911, pixel-level AP 0.838)で報告された最も高い結果である。 ノイズはテスト時に保持され、すべての再構成が境界を満たす。 入力の破損がなければ、ボトルネックのみがアイデンティティの崩壊を防ぐ(AUROC 0.805 vs. 0.590)。 コードはhttps://github.com/hanaokalog/MedIAnomalyQB.comで入手できる。

関連論文リスト

• Ten Architectures, One Error: Shared Failure Modes in Hyperspectral Classification under Spatially Disjoint Evaluation [0.0]
  ランダムスプリット法では、大量のテストピクセルがトレーニングピクセルにすぐ隣に落下し、報告された精度を膨らませる。 本研究では,空間分離をモデル受容場にリンクするリークフリー評価プロトコルを提案する。 このプロトコルを古典、スペクトル、スペクトル空間、トランスフォーマー、ビジョンバックボーン、ステートスペースファミリを含む10の異なるアーキテクチャに適用すると、マクロF1は平均で0.147減少し、モデルランキングは最大5箇所まで変化する。
  論文  参考訳（メタデータ） (2026-09-01T18:58:59Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Modifying the U-Net's Encoder-Decoder Architecture for Segmentation of Tumors in Breast Ultrasound Images [0.0]
  U-Netとエンコーダデコーダアーキテクチャに基づくニューラルネットワーク(NN)を提案する。 我々のネットワーク(CResU-Net)は82.88%、77.5%、90.3%、98.4%のDice類似係数を得た。
  論文  参考訳（メタデータ） (2024-09-01T07:47:48Z)
• BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
  医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。 具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。 提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-01-01T10:49:09Z)
• SED: A Simple Encoder-Decoder for Open-Vocabulary Semantic Segmentation [91.91385816767057]
  オープンボキャブラリセマンティックセグメンテーションは、ピクセルをオープンなカテゴリの集合から異なるセマンティックグループに区別する試みである。 オープン語彙セマンティックセグメンテーションのための単純なエンコーダデコーダSEDを提案する。 SED法では、ADE20KではmIoUスコアが31.6%、A6000では画像あたり82ミリ秒(ms$)のカテゴリが150である。
  論文  参考訳（メタデータ） (2023-11-27T05:00:38Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。