MAEDiff：用于脑图像无监督异常检测的掩码自编码器增强扩散模型
图像与视频处理
2024-01-22 v1 计算机视觉与模式识别
摘要
无监督异常检测因能够减轻昂贵的像素级标注负担，在医学成像领域受到了广泛关注。为实现这一目标，现代方法通常利用生成模型生成病态图像的健康参考图像，然后通过比较健康参考图像与原始病态图像来识别异常。近年来，扩散模型因其良好的模式覆盖率和较高的样本质量，在医学图像无监督异常检测中展现出巨大潜力。然而，医学图像的固有特性（例如低对比度）以及人体复杂的解剖结构使得重建具有挑战性。此外，医学图像的全局信息往往未被充分利用。为解决这两个问题，我们提出了一种用于脑图像无监督异常检测的新型掩码自编码器增强扩散模型（MAEDiff）。MAEDiff 包含分层块划分机制。它通过重叠上层块来生成健康图像，并实现了一种基于在子级块上操作的掩码自编码器机制，以增强对未含噪区域的条件约束。在肿瘤和多发性硬化病灶数据上的大量实验证明了该方法的有效性。
引用
@article{arxiv.2401.10561,
title = {MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images},
author = {Rui Xu and Yunke Wang and Bo Du},
journal= {arXiv preprint arXiv:2401.10561},
year = {2024}
}