arXiv:2010.01942

Unsupervised Region-based Anomaly Detection in Brain MRI with Adversarial Image Inpainting

Bao Nguyen, Adam Feldman, Sarath Bethapudi, Andrew Jennings, Chris G. Willcocks

제출 2020-10-05

원문 초록

Medical segmentation is performed to determine the bounds of regions of interest (ROI) prior to surgery. By allowing the study of growth, structure, and behaviour of the ROI in the planning phase, critical information can be obtained, increasing the likelihood of a successful operation. Usually, segmentations are performed manually or via machine learning methods trained on manual annotations. In contrast, this paper proposes a fully automatic, unsupervised inpainting-based brain tumour segmentation system for T1-weighted MRI. First, a deep convolutional neural network (DCNN) is trained to reconstruct missing healthy brain regions. Then, upon application, anomalous regions are determined by identifying areas of highest reconstruction loss. Finally, superpixel segmentation is performed to segment those regions. We show the proposed system is able to segment various sized and abstract tumours and achieves a mean and standard deviation Dice score of 0.771 and 0.176, respectively.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.21904v1cs.CV공통 태그 Anomaly Detection, Image Inpainting

의료 영상 인페인팅에서의 확산 모델: 과제, 해결책 분류체계 및 향후 방향

Diffusion Models in Medical Image Inpainting: Challenges, Solution Taxonomy, and Future Directions

이미지 인페인팅은 가능한 한 시각적·의미적 일관성을 유지하면서 이미지의 누락되거나 손상된 영역을 복원하는 것을 목표로 한다. 의료 영상에서는 아티팩트, 정보 누락, 병리학적 변화가 진단 신뢰도와 하류 임상 응용을 저해할 수 있기 때문에 이 과제가 특히 중요하다. 최근 확산 모델(diffusion models)은 해부학적으로 일관된 복원을 생성할 수 있다는 점 때문에 의료 영상 인페인팅을 위한 최첨단 생성 접근법으로 부상했다. 본 서베이는 60편의 연구에 보고된 주요 아키텍처, 응용, 데이터셋, 평가 전략을 다루며 의료 영상 인페인팅을 위한 확산 기반 방법에 대한 체계적 검토를 제시한다. 또한 확산 기반 접근법에 대한 분류체계를 제안한다. 분석 결과, 확산 기반 의료 영상 인페인팅에 대한 연구 관심이 급격히 증가하고 있으며, 노이즈 제거 확산 확률 모델(denoising diffusion probabilistic models, DDPM)과 잠재 확산 모델(latent diffusion models, LDM)이 지배적인 아키텍처로 부상하고 있음을 보여준다. 검토된 연구들은 주로 아티팩트 제거, 데이터 증강, pseudo-healthy 조직 복원, 이상 탐지에 초점을 맞추며, 특히 자기공명영상(MRI)과 컴퓨터 단층촬영(CT) 영상에서 다루어진다. 전반적으로 확산 모델은 해부학적으로 그럴듯한 복원을 생성하고 하류 임상 과제를 지원하는 데 강력한 성능을 보여준다. 그러나 본 검토는 표준화된 벤치마크 부재, 제한된 데이터셋 다양성, 다양한 임상 응용 및 영상 시나리오 전반에 걸친 제한적인 검증 절차 등 중요한 과제도 강조한다.

arXiv:2607.20871v1cond-mat.mes-hall공통 태그 Segmentation, Anomaly Detection

격리된 이중 양자점의 전하 상태 특성화를 위한 머신러닝

Machine Learning for Charge State Characterization of Isolated Double Quantum Dots

반도체 양자점 배열을 내결함성(fault-tolerant) 양자 컴퓨팅으로 확장하려면 스핀 큐비트의 효율적인 튠업(tuneup)이 필요하며, 이 과정은 전하 안정성 맵(CSM) 분석에 의존하고 대부분 수작업으로 이루어진다. 머신러닝은 저수지 결합(reservoir-coupled) 장치에서 CSM 분석에 널리 적용되어 왔지만, 점점 더 중요해지는 격리 모드(isolated-mode) 영역에서의 자동 튠업은 제한적인 관심만 받아왔다. 격리 모드 CSM에서는 전하 전이가 거의 수직인 선으로 나타나므로, 이는 컴팩트하고 작업 특화 모델에 잘 적합하다. 우리는 자동화된 극저온 프로빙 시스템을 사용하여 약 1 K에서 측정한 32개의 실리콘 금속-산화물-반도체(SiMOS) 이중 양자점 장치에서 수집한 CSM으로 학습된, 100만 개 미만의 파라미터를 갖는 두 개의 합성곱 신경망(CNN)을 제시한다. 16개 장치는 학습에 사용되었고 16개는 수작업 라벨링된 정답(ground truth)에 대비한 장치 간 일반화를 평가하기 위해 홀드아웃되었다. CSMClassifier는 전하 불안정성과 센서 아티팩트(artifact)를 식별하며, 2,407개의 홀드아웃 이미지에서 세 가지 품질 클래스에 대해 94%의 매크로 평균 정확도를 달성한다. ChargeLineNet은 전하 전이선을 국소화하고 전자 점유(occupancy)를 결정하며, 1,131개의 홀드아웃 이미지에서 95.3%의 정확한 선 개수 정확도를 달성한다. 단일 파이프라인으로 결합하면, 모델은 깨끗한(clean) 홀드아웃 이미지의 93.8%에 대해 전자 점유를 올바르게 결정한다. 합성 이미지에 대한 사전학습은 라벨 효율성을 크게 향상시킨다. 제한된 실험 데이터로 사전학습된 모델을 미세조정하면 90% 이상의 정확도를 유지하는 반면, 처음부터 학습하면 동일 조건에서 정확도가 크게 저하된다. 두 모델을 합치면 6.5 MB만 차지하며 표준 실험실 하드웨어에서 60 ms 미만으로 이미지를 처리하여, 양자점 장치의 확장 가능한 자동 특성화 및 튠업을 향한 실용적인 경로를 보여준다.

arXiv:2607.21776v2cs.LG공통 태그 Anomaly Detection

PulseGuard: 토킹페이스 딥페이크 탐지를 위한 포렌식 모달리티로서의 rPPG 기반 시간 신호

PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection

토킹페이스(TF) 딥페이크 생성은 정지된 원본 이미지와 음성 신호로부터 사실적인 얼굴 영상을 합성하며, 현재의 이미지 기반 탐지기가 일관되게 식별하지 못하는 위조물을 만들어 낸다. 얼굴 교체 조작과 달리 TF 합성에는 생리적 특성을 물려받을 기반 실제 영상이 없으므로, 이 위조 범주의 탐지 모달리티로 원격 광혈류측정(rPPG)이 동기화된다. 우리는 RhythmFormer로 윈도우별 rPPG 파형을 추출하고 경량 분류기 모음을 학습시켜 실제 신호와 합성 신호를 구분하는 탐지 프레임워크 PulseGuard를 제안한다. 테스트 신원이 학습 신원과 완전히 분리된 엄격한 피험자 독립 프로토콜로 Celeb-DF++의 TF 부분집합에서 평가한 결과, 우리의 1D ResNet은 추출된 시간 신호만으로 동작하면서 EER 25.1%에서 윈도우 수준 AUC 0.826(DeepFakesON-Phys가 평가되는 단위인 영상 수준으로 풀링 시 0.842)을 달성하며, 학습에서 완전히 제외된 생성기에 대해서도 AUC 0.754를 유지한다. 우리는 대표적인 기존 rPPG 탐지기인 DeepFakesON-Phys의 통제된 재현 연구를 제시하여, 기존 얼굴 교체 데이터에서의 AUC 0.999가 Celeb-DF++의 TF 부분집합에서는 0.576으로 저하됨을 보인다. 또한 탐지 난이도가 방법에 크게 의존함을 보이는데, 일곱 개의 TF 생성기에 걸쳐 AUC는 0.937(Real3DPortrait)에서 0.617(IP-LAP)까지 분포하며, 이 순서는 방법별 학습에서도 대체로 유지된다. 이 편차는 평가 잡음이 아니라 학습 방식 전반에 걸쳐 안정적이며, 본 연구의 주된 실증적 기여이다. 우리는 이를 실증적 기준선으로 보고하며, 판별 근거가 심장 기원임을 입증하지는 않는다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.