IterMask3D：基于3D脑MRI迭代掩码 refinement 的无监督异常检测与分割
计算机视觉与模式识别
2025-10-16 v2 机器学习
摘要
无监督异常检测和分割方法训练模型以学习训练分布的`正常'模式。在测试阶段，他们识别与该正常分布不符的模式作为`异常'。为了学习`正常'分布，现有方法会损坏图像并训练模型进行重建。在测试时，模型会根据所学的`正常'分布对损坏的输入进行重建。与该分布不符的区域会导致高重建误差，从而指示潜在的异常。然而，对输入图像进行损坏不可避免地导致即使在正常区域也出现信息丢失，导致重建次优且增加误报风险。为缓解此问题，我们提出了IterMask3D，一种针对3D脑磁共振(MRI)的迭代空间掩码细化策略。我们迭代地对图像的区域进行掩码处理以进行损坏并进行重建，然后根据重建误差收缩掩码。该过程不断迭代地解除掩码`正常'区域，使模型的这些信息能够进一步指导对被掩码重建区域的`正常'模式进行准确重建，从而减少误报。此外，为了获得更好的重建性能，我们还提出将高频图像内容作为额外的结构信息用于引导掩码区域的重建。针对合成和真实世界成像伪影的检测，以及跨多个MRI序列的各种病理病灶分割，广泛实验一致地证明了我们方法的有效性。代码已提供：https://github.com/ZiyunLiang/IterMask3D。
引用
@article{arxiv.2504.04911,
title = {IterMask3D: Unsupervised Anomaly Detection and Segmentation with Test-Time Iterative Mask Refinement in 3D Brain MR},
author = {Ziyun Liang and Xiaoqing Guo and Wentian Xu and Yasin Ibrahim and Natalie Voets and Pieter M Pretorius and J. Alison Noble and Konstantinos Kamnitsas},
journal= {arXiv preprint arXiv:2504.04911},
year = {2025}
}
备注
Published in Medical Image Analysis