DeScarGAN：弱监督的疾病特异性异常检测
图像与视频处理
2020-07-29 v1 计算机视觉与模式识别
摘要
医学图像中的异常检测与定位是一项具有挑战性的任务，尤其当异常表现为已有结构的变化时，例如脑萎缩或因胸腔积液导致的胸膜腔变化。在这项工作中，我们提出一种弱监督且保持细节的方法，能够检测已有解剖结构的结构性变化。与标准异常检测方法不同，我们的方法从两组中提取疾病特征信息：一组受同种疾病影响的患者组和一组健康对照组。结合保持身份的机制，这使我们的方法能提取高度疾病特异性的特征，从而更细致地检测结构变化。我们设计了一个特定的合成数据集，以评估并将我们的方法与最先进的异常检测方法进行比较。最后，我们展示了我们的方法在胸部 X 光图像上的性能。我们称为 DeScarGAN 的方法在合成数据集上优于其他异常检测方法，并在胸部 X 光图像数据集上通过视觉检查表现优异。
引用
@article{arxiv.2007.14118,
title = {DeScarGAN: Disease-Specific Anomaly Detection with Weak Supervision},
author = {Julia Wolleb and Robin Sandkühler and Philippe C. Cattin},
journal= {arXiv preprint arXiv:2007.14118},
year = {2020}
}