用于儿童全身 MRI 无监督异常检测的 3D 推理
图像与视频处理
2021-03-26 v1 计算机视觉与模式识别
摘要
现代深度无监督学习方法在各种医学成像模态中展现出检测疾病的巨大潜力。尽管先前的生成建模方法通过学习了健康 2D 图像切片分布成功实现了异常检测，但它们独立处理这些切片，忽略了它们相关且均采样自 3D 体积这一事实。我们表明，融入 3D 上下文并处理全身 MRI 体积有助于区分异常与其良性对应物。在我们的工作中，我们引入了一种多通道滑动窗口生成模型，以在全身 MRI（wbMRI）中执行病灶检测。我们的实验表明，我们所提出的方法显著优于孤立处理单个图像，且我们的消融实验清晰地显示了 3D 推理的重要性。此外，我们的工作还表明，纳入额外的患者特定特征有助于进一步改善儿童扫描中的异常检测。
引用
@article{arxiv.2103.13497,
title = {3D Reasoning for Unsupervised Anomaly Detection in Pediatric WbMRI},
author = {Alex Chang and Vinith Suriyakumar and Abhishek Moturu and James Tu and Nipaporn Tewattanarat and Sayali Joshi and Andrea Doria and Anna Goldenberg},
journal= {arXiv preprint arXiv:2103.13497},
year = {2021}
}
备注
10 pages, 2 tables, 3 figures, in submission