IterMask2: 基于空间与频率掩码的脑部病灶 MRI 无监督异常分段
图像与视频处理
2024-06-06 v2 计算机视觉与模式识别
机器学习
摘要
无监督异常分段方法在病理分段中会对健康主题图像进行训练，定义为'正常'数据分布。推断时，它们旨在将新图像中的任何病理作为'异常'进行分段，因为它们呈现出与'正常'训练数据中不同的模式。主流方法遵循'损坏并重建'范式。它们有意损坏输入图像，以遵循所学的'正常'分布进行重建，然后基于重建误差进行异常分段。然而，损坏输入图像不可避免地导致正常区域重建次优，引发误报。为缓解这一问题，我们提出了一种新颖的迭代空间掩码细化策略 IterMask2。我们迭代地掩码图像区域，重建它们，并基于重建误差更新掩码。这种迭代过程逐渐添加关于模型置信正常区域的信息。日益增多的内容指导对相邻被掩码区域的重建，改善了这些区域下正常组织的重建，减少了误报。我们还将高频图像内容作为辅助输入，以提供额外的结构信息用于被掩码区域。这进一步提高了正常区域的重建误差与异常区域的对比，促进了后者的分段。我们在多个脑部病灶数据集上进行实验，证明了该方法的有效性。代码已公开：https://github.com/ZiyunLiang/IterMask2
引用
@article{arxiv.2406.02422,
title = {IterMask2: Iterative Unsupervised Anomaly Segmentation via Spatial and Frequency Masking for Brain Lesions in MRI},
author = {Ziyun Liang and Xiaoqing Guo and J. Alison Noble and Konstantinos Kamnitsas},
journal= {arXiv preprint arXiv:2406.02422},
year = {2024}
}