利用深度生成模型进行异常检测的伪健康图像重建评估：在脑 FDG PET 中的应用

在过去几年中，用于无监督异常检测的伪健康重建方法越来越受欢迎。这种方法的一大优势是不需要繁琐的像素级数据标注，并且有可能泛化到任何类型的异常，包括与罕见疾病相关的异常。通过仅使用健康受试者的图像训练深度生成模型，该模型将学习重建伪健康图像。然后将此伪健康重建与输入进行比较，以检测和定位异常。此类方法的评估通常依赖于测试数据中可用的真实病灶掩膜，而这可能因应用而异，甚至不存在。我们提出了一种基于模拟逼真异常图像的评估程序，以在无真实标注数据可用时验证伪健康重建方法。这使我们能够在不同类型的异常上广泛测试生成模型，并使用对应于同一受试者的正常和异常图像对来测量其性能。它可以作为一个初步的自动步骤，用于验证生成模型重建伪健康图像的能力，然后再进行需要临床医生专业知识的更高级验证步骤。我们将此框架应用于使用卷积变分自编码器重建 3D 脑 FDG PET，旨在尽早检测阿尔茨海默病等痴呆症特有的神经退行性标记物。