从图像质量评估视角重新思考脑部MRI医学异常检测
图像与视频处理
2025-10-14 v2 计算机视觉与模式识别
摘要
基于重建的方法，特别是利用自编码器的方法，已被广泛采用用于脑部MRI的异常检测任务。与大多数现有工作试图通过架构或算法创新来提高任务精度不同，我们从图像质量评估（IQA）视角来处理这一任务，这是该领域一个尚未被充分探索的方向。由于传统指标（如l1）在捕捉重建图像中细微差异方面的局限性，我们提出了融合质量（fusion quality）这一新指标，它巧妙地结合了结构相似性指数（SSIM）的结构级敏感性与l1的像素级精度。该指标提供了对重建质量的更全面评估，考虑了强度（l1的减性特性和SSIM的除性特性）、对比度和结构相似性。此外，所提出的指标使细微的区域变化在最终评估中更具影响力。因此，考虑到SSIM固有的除性特性，我们设计了一种基于平均强度比（AIR）的数据变换，以放大正常区域与异常区域之间的除性差异，从而增强异常检测。通过融合上述两个组件，我们设计了IQA方法。在两个不同的脑部MRI数据集上的实验结果表明，当与最先进基线方法结合时，我们的IQA方法显著增强了医学异常检测的性能。
引用
@article{arxiv.2408.08228,
title = {Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective},
author = {Zixuan Pan and Jun Xia and Zheyu Yan and Guoyue Xu and Yifan Qin and Xueyang Li and Yawen Wu and Zhenge Jia and Jianxu Chen and Yiyu Shi},
journal= {arXiv preprint arXiv:2408.08228},
year = {2025}
}
备注
Accepted by BIBM 2025. 6 pages, 4 figures