AutoPaint：一种用于无监督异常检测的自修复方法
计算机视觉与模式识别
2023-05-23 v1 机器学习
图像与视频处理
摘要
使用监督方法对不同解剖器官中出现的异质性肿瘤进行稳健且准确的检测和分割，需要涵盖所有可能疾病类型的大规模标注数据集。由于缺乏此类丰富的数据集且标注成本高昂，无监督异常检测（Unsupervised Anomaly Detection, UAD）方法应运而生，旨在通过利用未标注的健康图像数据，将病理检测为对正常状态的偏离。然而，现有的 UAD 模型通常是在不完整的健康解剖结构分布上训练的，并且在保持解剖约束方面存在困难。本工作首先提出一个稳健的修复模型，以学习健康解剖结构的细节并在保持解剖约束的同时重建高分辨率图像。其次，我们提出一种自修复流水线，以纯无监督的方式自动检测肿瘤，将其外观替换为学习到的健康解剖结构，并据此对肿瘤体积进行分割。作为评估基准，研究了三个成像数据集，包括肺部肿瘤和头颈部肿瘤的 PET、CT 以及 PET-CT 扫描。实验结果证明，所提出的方法在广泛的 SOTA UAD 方法上表现出显著的优越性。此外，当应用于多模态图像时，我们提出的无监督方法产生了与稳健的监督分割方法相当的结果。
引用
@article{arxiv.2305.12358,
title = {AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection},
author = {Mehdi Astaraki and Francesca De Benetti and Yousef Yeganeh and Iuliana Toma-Dasu and Örjan Smedby and Chunliang Wang and Nassir Navab and Thomas Wendler},
journal= {arXiv preprint arXiv:2305.12358},
year = {2023}
}
备注
41 pages, 15 figures, follow-up paper to conference abstract at yearly meeting of German Nuclear Medicine in 2022