用于医学图像无监督异常检测的掩码自编码器
图像与视频处理
2023-07-18 v1 计算机视觉与模式识别
摘要
病理异常在医学影像中表现出多样的外观，使得在监督环境下难以收集并标注训练深度学习模型所需的代表性数据量。因此，在本工作中，我们仅使用健康样本训练框架来解决医学图像中的异常检测问题。我们提出使用掩码自编码器（Masked Autoencoder）模型来学习正常样本的结构，然后在原始图像与掩码自编码器提供的重建图像之间的差异之上训练一个异常分类器。我们以监督方式训练该异常分类器：负样本为健康扫描的重建结果，正样本为我们新颖的伪异常模块生成的伪异常扫描。伪异常模块通过改变若干区域的强度来改动正常样本的重建结果。我们在两个医学图像数据集（即 BRATS2020 和 LUNA16）上开展实验，并将我们的方法与四种最先进的异常检测框架（即 AST、RD4AD、AnoVAEGAN 和 f-AnoGAN）进行比较。
引用
@article{arxiv.2307.07534,
title = {Masked Autoencoders for Unsupervised Anomaly Detection in Medical Images},
author = {Mariana-Iuliana Georgescu},
journal= {arXiv preprint arXiv:2307.07534},
year = {2023}
}