Patch2Loc：用于无监督脑脑肿瘤检测的 patch 局部化学习
计算机视觉与模式识别
2026-03-27 v2 机器学习
摘要
检测脑脑肿瘤作为脑 MRI 中观察到的异常情况，是诊断和治疗的关键。在寻找异常（如肿瘤和畸形）时，放射科医生可能受益于使用在结构 MRI 中从正常 patch 中学习的计算机视觉系统训练的计算机辅助诊断，以分割正常组织与异常脑组织。虽然监督学习方法需要标记的肿瘤，但我们提出了一种新的无监督方法 (Patch2Loc)，通过学习来自结构 MRI 正常 patch 的 spatial location 映射到脑体积切片中的位置。在推断期间，通过位置预测的相对较高 error 和/或 variance 来检测异常 patch。这生成了一个可以整合到像素级方法中以实现更细粒度分割的 heatmap。我们展示了该模型在 BraTS2021 和 MSLUB 数据集的 T2 加权图像以及 ATLAS 和 WMH 数据集的 T1 加权图像上，用于分割异常脑组织的能力。我们证明了它在无监督分割中超越了最先进的技术。本工作的实现可在我们的 GitHub 页面上找到。本文已被接受发表于 AISTATS 2026。
引用
@article{arxiv.2506.22504,
title = {Patch2Loc: Learning to Localize Patches for Unsupervised Brain Lesion Detection},
author = {Hassan Baker and Austin J. Brockmeier},
journal= {arXiv preprint arXiv:2506.22504},
year = {2026}
}
备注
Accepted at AISTATS 2026 (Proceedings of Machine Learning Research)