学习正常脑解剖的全局与局部特征用于无监督异常检测

在真实世界临床实践中，忽视未预期的发现可能导致严重后果。然而，作为当前深度学习成功基础的监督学习，仅鼓励模型识别数据集中预先定义的异常。因此，必须在不仅限于特定疾病类别的医学图像中实现异常检测。在本研究中，我们展示了一种无监督学习框架，用于从转移性脑肿瘤患者群体采集的脑磁共振成像中进行像素级异常检测。我们的思路如下：若一个图像重建网络能忠实复现正常解剖的全局特征，则未见图像中的异常病灶可由判别网络基于其与那些被重建为正常的图像之间的局部差异来识别。两个网络均在仅含无标签正常图像的数据集上训练。此外，我们设计了一种度量来评估重建图像的解剖保真度，并确认当图像重建网络取得更高分数时整体检测性能得以提升。为评估，我们对临床显著异常进行了全面分割。结果显示，转移性脑肿瘤、颅外转移瘤、术后腔隙和结构改变的受试者工作特征曲线下面积值分别为0.78、0.61、0.91和0.60。