基于泊松图像插值的异常检测
计算机视觉与模式识别
2021-07-07 v1
摘要
对于许多如健康筛查之类的初级保健应用，监督式学习每一种可能病症是不现实的。仅从健康数据学习正常外观的图像异常检测方法近来已展现出可喜结果。我们提出一种替代基于图像重建与基于图像嵌入方法的方案，并给出一种用于解决病理性异常检测的新自监督方法。我们的方法源于已在脑 MRI 与腹部 CT 数据上展现出优越性能的外来块插值（FPI）策略。我们提议使用一种更优的块插值策略，即泊松图像插值（PII），其使我们的方法适用于具挑战性数据体制下的应用。在诸如识别胸部 X 光中常见肺部异常或产前胎儿心脏超声图像中左心发育不良综合征等替代任务上测试时，PII 以明显优势超越最先进方法。代码见 https://github.com/jemtan/PII。
引用
@article{arxiv.2107.02622,
title = {Detecting Outliers with Poisson Image Interpolation},
author = {Jeremy Tan and Benjamin Hou and Thomas Day and John Simpson and Daniel Rueckert and Bernhard Kainz},
journal= {arXiv preprint arXiv:2107.02622},
year = {2021}
}
备注
MICCAI 2021