論文の概要: VariaFlow: Uncertainty-Aware Flow Matching for Unsupervised Anomaly Detection
- arxiv url: http://arxiv.org/abs/2610.41494v1
- Date: Fri, 30 Oct 2026 09:48:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.674676
- Title: VariaFlow: Uncertainty-Aware Flow Matching for Unsupervised Anomaly Detection
- Title（参考訳）: VariaFlow: 教師なし異常検出のための不確実性認識フローマッチング
- Abstract要約: 本稿では, マスク誘導修復のアンサンブルから, 従来と一致した非条件流下での分散を推定するVariaFlowを紹介する。
数ステップのフローマッチングは、アンサンブルを計算的に安価に保ち、2つの空間スケールで復元することで、異なる大きさの病変をキャプチャする。
脳卒中と腫瘍にまたがる3つの脳MRIデータセットの中で、VariaFlowは健康的な解剖学に基づいてトレーニングされ、3つすべてに一般化される。
- 参考スコア（独自算出の注目度）: 0.15703073293718953
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Reconstruction-based anomaly detection no longer fails at reconstruction. Generative models produce high-quality pseudo-healthy reconstructions, and the remaining difficulty is the step of scoring residuals. The residual between a scan and its reconstruction has two indistinguishable sources, genuine pathology and the anatomical variation that separates one healthy brain from another. Scoring against a single reconstruction treats both as anomalous, inflating false positives where healthy anatomy varies most while small or subtle lesions are lost in the surrounding reconstruction error. We identify the missing quantity as the predictive variance, how much a healthy reconstruction can vary at each location. We introduce VariaFlow, which estimates this variance from an ensemble of mask-guided restorations under an unconditional flow matching prior, each started from a different noise initialization, and which normalizes the residual by the resulting standard deviation. Few-step flow matching keeps the ensemble computationally affordable, and restoring at two spatial scales captures lesions of different size. Across three brain MRI datasets spanning stroke and tumor, VariaFlow is trained once on healthy anatomy and generalizes across all three, attaining the highest AUROC (0.94, 0.80, 0.78) on each and the highest AUPRC on both cross-domain datasets, exceeding the strongest baseline by 37% and 50%. Under domain shift, the same baseline drops by up to 52% in AUPRC, whereas VariaFlow stays more stable and achieves the best small-lesion Dice on all three datasets.
- Abstract（参考訳）: リコンストラクションに基づく異常検出は、もはやリコンストラクションに失敗しない。
生成モデルによって高品質な擬似健康再構築が実現され、残る難しさは残留点のスコアリングのステップである。
スキャンと再構成の間の残余は、真の病理と、ある健康な脳と別の健康な脳を分離する解剖学的変化という、区別がつかない2つの源を持っている。
単一再建術は異常な治療であり、周囲の再建ミスで小さな病変や微妙な病変が失われる一方、健康な解剖がほとんど変化する偽陽性を膨らませる。
欠落した量を予測変数として同定し,各地点でどの程度の健全な復元が可能であるかを示す。
VariaFlow では,従来と異なる雑音の初期化から始まり,その結果の標準偏差によって残差を正規化する。
数ステップのフローマッチングは、アンサンブルを計算的に安価に保ち、2つの空間スケールで復元することで、異なる大きさの病変をキャプチャする。
脳卒中と腫瘍にまたがる3つの脳MRIデータセットの中で、VariaFlowは1度は健常な解剖学に基づいて訓練され、3つすべてにわたって一般化され、AUROC (0.94, 0.80, 0.78) が最も高い。
ドメインシフトの下では、同じベースラインがAUPRCで最大52%低下するのに対して、VariaFlowはより安定しており、3つのデータセットすべてで最高の小規模なDiceを実現している。
関連論文リスト
- Convergent Performance, Divergent Mechanisms in LoRA-Adapted Vision Foundation Models for Brain MRI [44.14794504955313]
目的の異なる4つのVT-B/16バックボーン,DINOv3,SigLIP2,MerMED-FM,BiomedCLIPの解析を行った。
脳腫瘍の分節化に適応し,6つのデータセットを用いて,セグメント化とアルツハイマー病の分類について検討した。
論文 参考訳（メタデータ） (2026-10-20T14:12:44Z) - MARR: Decoupling Policy, Execution, and Calibration for All-in-One Medical Image Restoration [9.066063062336523]
オールインワンの医療画像復元は、1つのモデルで異質な臨床画像の復元を目指している。
完全に共有されたネットワークは、モダリティ固有の残差エラーを絡み合わせることができるが、異なるモダリティ固有のネットワークは、統一されたデプロイメントの実践的な利点を犠牲にする。
劣化ラベルや個別のモダリティ固有モデルを必要としない, 劣化対応ポリシルーティング, モダリティプライベート残差実行, 画像領域残差補正にマルチモーダル適応を制約する, コンパクトな復元フレームワークMARRを提案する。
論文 参考訳（メタデータ） (2026-09-06T14:51:26Z) - 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) - ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。
ほとんどの被験者固有の脳構造は、時間とともに安定している。
ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
論文 参考訳（メタデータ） (2026-07-30T00:13:42Z) - PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。
当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
論文 参考訳（メタデータ） (2025-10-30T18:07:56Z) - Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
論文 参考訳（メタデータ） (2025-09-26T14:22:15Z) - Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection [35.46541584018842]
教師なし異常検出(UAD)法は、異常を外れ値として識別するために健全なデータ分布に依存する。
脳MRIでは、再生モデルが正常な脳MRIを再構成し、異常が入力と再構成のずれとして検出される。
我々は確率的拡散モデルを用いて複数の再構成を構築し、マハラノビス距離を用いてこれらの再構成結果の分布を分析し、異常を外れ値として同定する。
論文 参考訳（メタデータ） (2024-07-17T11:02:31Z) - Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。
生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。
本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
論文 参考訳（メタデータ） (2023-12-07T11:03:42Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。