Objective and Interpretable Breast Cosmesis Evaluation with Attention Guided Denoising Diffusion Anomaly Detection Model

要約

乳がん治療分野の進歩が進むにつれて、患者の生活の質に大きな影響を与えるため、術後の美容上の成果の評価の重要性がますます高まっています。
ただし、乳房の美容効果の評価には、専門家のラベル付けが本質的に主観的な性質があるため、課題が生じます。
この研究では、従来の教師あり学習と既存の異常検出モデルの限界に対処し、手術後の乳房の美容状態を評価するように設計された新しい自動化アプローチである注意誘導型ノイズ除去拡散異常検出 (AG-DDAD) を紹介します。
私たちのアプローチは、ラベルなしの蒸留 (DINO) 自己教師ありビジョン トランスフォーマー (ViT) のアテンション メカニズムを拡散モデルと組み合わせて活用し、高品質の画像再構成と識別領域の正確な変換を実現します。
主に通常のコスメシスを使用してラベルなしデータで拡散モデルをトレーニングすることにより、教師なし異常検出の観点を採用してコスメシスを自動的にスコアリングします。
実世界のデータ実験は私たちの方法の有効性を実証し、視覚的に魅力的な表現と化粧品評価の定量化可能なスコアを提供します。
一般的に使用されているルールベースのプログラムと比較して、当社の完全に自動化されたアプローチは手動による注釈の必要性を排除し、客観的な評価を提供します。
また、当社の異常検知モデルは、精度においても既存モデルを上回る最先端の性能を発揮します。
乳房の美容の範囲を超えて、私たちの研究は医療分野における教師なし異常検出の大幅な進歩を表しており、それによって将来の調査への道が開かれます。

要約(オリジナル)

As advancements in the field of breast cancer treatment continue to progress, the assessment of post-surgical cosmetic outcomes has gained increasing significance due to its substantial impact on patients’ quality of life. However, evaluating breast cosmesis presents challenges due to the inherently subjective nature of expert labeling. In this study, we present a novel automated approach, Attention-Guided Denoising Diffusion Anomaly Detection (AG-DDAD), designed to assess breast cosmesis following surgery, addressing the limitations of conventional supervised learning and existing anomaly detection models. Our approach leverages the attention mechanism of the distillation with no label (DINO) self-supervised Vision Transformer (ViT) in combination with a diffusion model to achieve high-quality image reconstruction and precise transformation of discriminative regions. By training the diffusion model on unlabeled data predominantly with normal cosmesis, we adopt an unsupervised anomaly detection perspective to automatically score the cosmesis. Real-world data experiments demonstrate the effectiveness of our method, providing visually appealing representations and quantifiable scores for cosmesis evaluation. Compared to commonly used rule-based programs, our fully automated approach eliminates the need for manual annotations and offers objective evaluation. Moreover, our anomaly detection model exhibits state-of-the-art performance, surpassing existing models in accuracy. Going beyond the scope of breast cosmesis, our research represents a significant advancement in unsupervised anomaly detection within the medical domain, thereby paving the way for future investigations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google