CT-3DFlow：利用3D归一化流进行无监督的肺部病理CT扫描检测
图像与视频处理
2024-03-28 v1 计算机视觉与模式识别
机器学习
摘要
无监督病理检测可以通过仅在健康数据上训练模型并在推理时测量与训练集的偏差来实现，例如使用基于CNN的特征提取和单类分类器，或基于重建分数的方法如AE、GAN和扩散模型。归一化流（NF）具有通过可逆架构直接学习训练示例概率分布的能力。我们利用这一特性，提出了一种名为CT-3DFlow的新型3D NF模型，专门用于胸部CT数据中的患者级肺部病理检测。我们的模型在健康的3D肺部CT块上进行无监督训练，并检测其对数似然分布的偏差作为异常。我们聚合来自患者CT扫描的块级似然值，以提供患者级的“正常”/“异常”预测。使用专家标注在单独的胸部CT测试数据集上评估了分布外检测性能，优于其他最先进的方法。
引用
@article{arxiv.2403.18514,
title = {CT-3DFlow : Leveraging 3D Normalizing Flows for Unsupervised Detection of Pathological Pulmonary CT scans},
author = {Aissam Djahnine and Alexandre Popoff and Emilien Jupin-Delevaux and Vincent Cottin and Olivier Nempont and Loic Boussel},
journal= {arXiv preprint arXiv:2403.18514},
year = {2024}
}