面向 3D 大脑 MRI 体数据的 Efficient Slice Anomaly Detection Network

当前异常检测方法在基准工业数据上表现优异，但在自然图像和医学数据方面却难以应对，因为'正常'和'异常'的定义在这些领域中各不相同。这使得在这些领域中准确识别偏差尤其具有挑战性。尤其是对于 3D 大脑 MRI 数据，所有最先进的模型都是基于 3D 卷积神经网络的重建方法，这些方法在计算资源占用、处理时间和噪声输出方面都具有挑战，需要进一步的后处理。我们提出了一个名为 Simple Slice-based Network（SimpleSliceNet）的框架，该框架利用在 ImageNet 上预训练的模型在单独的 MRI 数据集上微调作为 2D 切片特征提取器，以减少计算成本。我们将提取的特征聚合，以执行 3D 大脑 MRI 体积的异常检测任务。我们的模型集成了条件正规化流来计算特征的对数似然，并采用半推拉机制（Semi-Push-Pull Mechanism）来增强异常检测准确性。结果表明，我们的模型在应对大脑 MRI 数据中存在的挑战方面表现出 improved performance，显示出我们模型在适应性和有效性方面的突出特点。此外，在大规模 3D 大脑体积上，我们的模型 SimpleSliceNet 在准确率、内存使用和时间消耗方面均优于最先进的 2D 和 3D 模型。代码可在 https://anonymous.4open.science/r/SimpleSliceNet-8EA3 上获取。