基于正则化孪生网络的特征提取用于离群检测：在医学影像病灶筛查中的应用

计算机辅助诊断（CAD）系统旨在协助临床医生完成各类任务，包括在医学图像中高亮异常区域。一种常见方法是在从患者扫描中正常与病理区域提取的特征向量集上训练体素级二分类器。然而，许多病理（如癫痫）的特征在于可能位于大脑任意位置、具有不同形状、尺寸和纹理的病灶。对此类异质性的充分表示需要大量标注数据，而这是医学领域的一大难题。因此，我们基于先前提出的方法，将癫痫病灶检测任务视为体素级离群检测问题。该方法使用少量临床引导特征（El Azami 等，2016）为脑体积中每个体素构建 oc-SVM 分类器。本研究的目的是向前推进一步，以神经网络自动学习的表示替代手工特征。我们提出一种仅在健康患者扫描中提取的图像块上训练的孪生网络新版本。该网络以堆叠自编码器作为子网络，并由图像块的重构误差正则化。其设计用于学习表示，使以相同体素定位为中心的图像块在所选度量（即余弦）下“更近”。最后，子网络的中间层表示被输入至体素级的 oc-SVM 分类器。该方法在 3 名确诊癫痫病灶患者的 MRI 扫描上验证，显示出有前景的性能。