基于掩码条件扩散与模态循环的MRI无监督异常分割
图像与视频处理
2023-11-06 v3 计算机视觉与模式识别
机器学习
摘要
无监督异常分割旨在检测与训练中所处理任何模式均不同的模式（通常称为异常或分布外模式），且不提供任何相关人工分割。由于部署中的异常可能导致模型失败，检测异常可增强模型可靠性，这在医学影像等高风险领域颇具价值。本文提出掩码模态循环与条件扩散（MMCCD），一种能够在多模态MRI中跨多样模式分割异常的方法。该方法基于两个基本思想。首先，我们提出使用循环模态翻译作为实现异常检测的机制。图像翻译模型学习组织特异的模态映射，这些映射是组织生理的特征。因此，这些学习到的映射无法翻译训练期间从未遇到的组织或图像模式，该误差使其得以分割。此外，我们将图像翻译与掩码条件扩散模型结合，后者试图“想象”掩码区域下存在何种组织，当生成模型无法重建未知模式时进一步暴露之。我们在代理任务上评估方法：在BraTS2021多模态MRI的健康切片上训练，在含肿瘤切片上测试。我们表明相较基于自编码器与扩散模型的图像重建和去噪的既往无监督方法，我们的方法更具优势。
引用
@article{arxiv.2308.16150,
title = {Modality Cycles with Masked Conditional Diffusion for Unsupervised Anomaly Segmentation in MRI},
author = {Ziyun Liang and Harry Anthony and Felix Wagner and Konstantinos Kamnitsas},
journal= {arXiv preprint arXiv:2308.16150},
year = {2023}
}
备注
Accepted in Multiscale Multimodal Medical Imaging workshop in MICCAI 2023