通过计算潜在表示间的相异性改进脑部MRI中逐切片肿瘤检测
机器学习
2020-07-27 v1 图像与视频处理
机器学习
摘要
磁共振图像(MRI)的异常检测可以通过无监督方法解决，即学习健康图像的分布并将异常识别为离群值。在存在包含异常的额外未标记数据集的情况下，该任务可以被构建为一个带有负样本和未标记样本点的半监督任务。最近，在Albu等人2020年的工作中，我们提出了一种基于在变分自编码器潜在空间中计算相异性函数的逐切片半监督肿瘤检测方法，该变分自编码器在未标记数据上训练。该相异性是在图像编码与其重建编码之间计算的，该重建是通过一个仅在健康图像上训练的不同自编码器获得的。在本文中，我们展示了该方法的新颖和改进结果，这些结果是通过在HCP和BRATS-2018数据集的子集上训练变分自编码器，并在剩余个体上进行测试而获得的。我们表明，通过在高分辨率图像上训练模型并提高重建质量，我们获得了与不同基线方法可比的结果，这些基线方法使用在健康个体上训练的单个VAE。正如预期，我们方法的性能随着用于确定异常存在的阈值大小的增加而提高。
引用
@article{arxiv.2007.12528,
title = {Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations},
author = {Alexandra-Ioana Albu and Alina Enescu and Luigi Malagò},
journal= {arXiv preprint arXiv:2007.12528},
year = {2020}
}
备注
In 2020 KDD Workshop on Applied Data Science for Healthcare, August 24, 2020, San Diego, CA, USA. ACM, New York, NY, USA, 4 pages