利用马氏距离提升无监督脑MRI异常检测
图像与视频处理
2024-07-18 v1 计算机视觉与模式识别
机器学习
摘要
无监督异常检测（UAD）方法依赖健康数据分布来识别作为异常值的异常。在脑MRI中，常见的方法是基于重构的UAD，其中生成模型重建健康脑MRI，异常被检测为输入与重构之间的偏差。然而，这种方法对不完美的重构敏感，导致误报，从而影响分割。为此，我们构建了多个具有概率扩散模型的重构。随后，我们使用马氏距离分析这些重构的结果分布，以识别作为异常值的异常。通过利用关于正常变异和单个像素在该分布中的协方差信息，我们有效地细化了异常评分，提高了分割效果。我们的实验结果表明，在各种数据集上实现了显著的性能提升。具体而言，与仅依赖单个重构相比，我们的方法在BRATS21、ATLAS、MSLUB和WMH数据集上分别实现了15.9%、35.4%、48.0%和4.7%的AUPRC相对提升。
引用
@article{arxiv.2407.12474,
title = {Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection},
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:2407.12474},
year = {2024}
}
备注
Accepted for presentation at the MICCAI 2024 conference