三维掩码自编码器及其在非增强乳腺MRI异常检测中的应用
图像与视频处理
2023-03-13 v1
摘要
自监督模型允许在未经标注的数据上进行（预）训练，因此具有克服对大型标注队列需求的潜力。领先的自监督模型之一是在自然图像数据上开发的掩码自编码器（MAE）。MAE将视觉Transformer（ViT）输入块的高比例掩码掉，随后以恢复未损坏图像作为预训练任务。在本工作中，我们扩展MAE以在乳腺磁共振成像（MRI）上执行异常检测。这一新模型被称为医学成像掩码自编码器（MAEMI），在两种非对比增强MRI序列上训练，旨在无需静脉注射对比剂和时间图像采集的情况下进行病灶检测。训练期间仅向模型提供非癌图像，以便在测试时定位异常肿瘤区域。我们使用公开数据集进行模型开发。该架构的性能参照由动态对比增强（DCE）-MRI创建的差值图像进行评估。
引用
@article{arxiv.2303.05861,
title = {3D Masked Autoencoders with Application to Anomaly Detection in Non-Contrast Enhanced Breast MRI},
author = {Daniel M. Lang and Eli Schwartz and Cosmin I. Bercea and Raja Giryes and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2303.05861},
year = {2023}
}