用于医学异常检测的隐式引导扩散模型
图像与视频处理
2024-03-14 v1 计算机视觉与模式识别
机器学习
摘要
扩散模型通过改进将病理图像转换为伪健康等效图像的过程，推动了无监督异常检测的发展。然而，标准方法可能在病理去除过程中损害关键信息，导致恢复结果与原始扫描中未受影响的区域不一致。这种差异可能无意中增加假阳性率并降低特异性，使放射学评估复杂化。本文引入了用于最优恢复的时间协调（THOR），它通过时间异常图整合隐式引导来细化去噪过程。THOR 旨在保持未受病理影响的健康组织的完整性。比较评估表明，THOR 在检测和分割脑部 MRI 和腕部 X 光片中的异常方面超越了现有的基于扩散的方法。代码：https://github.com/ci-ber/THOR_DDPM。
引用
@article{arxiv.2403.08464,
title = {Diffusion Models with Implicit Guidance for Medical Anomaly Detection},
author = {Cosmin I. Bercea and Benedikt Wiestler and Daniel Rueckert and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2403.08464},
year = {2024}
}