基于条件扩散模型的引导重建用于脑磁共振图像的无监督异常检测
图像与视频处理
2025-01-24 v2 计算机视觉与模式识别
机器学习
摘要
将监督模型应用于临床筛查任务具有挑战性，因为需要为每种考虑的病理提供标注数据。无监督异常检测是一种替代方法，旨在将任何异常识别为健康训练分布中的离群点。脑MRI中无监督异常检测的一种常见策略是使用生成模型学习给定输入图像的健康脑解剖结构的重建。由于这些模型应无法重建不健康的结构，重建误差指示异常。然而，一个重大挑战是平衡健康解剖结构的准确重建与异常结构的不期望复制。尽管扩散模型在详细且准确的重建方面显示出有希望的结果，但它们在保持强度特征方面面临挑战，导致假阳性。我们提出用从输入图像的潜在表示中导出的附加信息来条件化扩散模型的去噪过程。我们证明，这种条件化允许对一般输入强度分布进行准确和局部的适应，同时避免复制不健康的结构。我们将这种新方法与不同的最先进方法和不同的数据集进行了比较。我们的结果显示，分割性能有显著提升，在BraTS、ATLAS和MSLUB数据集上，Dice分数分别提高了11.9%、20.0%和44.6%，同时在WMH数据集上保持了竞争性能。此外，我们的结果表明，在不同的MRI采集和模拟对比度下，有效的域自适应，这是通用异常检测方法的重要属性。我们的工作代码可在https://github.com/FinnBehrendt/Conditioned-Diffusion-Models-UAD获取。
引用
@article{arxiv.2312.04215,
title = {Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs},
author = {Finn Behrendt and Debayan Bhattacharya and Robin Mieling and Lennart Maack and Julia Krüger and Roland Opfer and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2312.04215},
year = {2025}
}
备注
Preprint: Accepted paper at Combuters in Biology and medicine