逆转异常：用于异常检测的伪健康生成网络
图像与视频处理
2023-03-16 v1 计算机视觉与模式识别
机器学习
摘要
早期且准确的疾病检测对于患者管理和成功的治疗结果至关重要。然而，医学图像中异常的自动识别可能具有挑战性。传统方法依赖难以获取的大规模标注数据集。为克服这些局限，我们提出了一种称为 PHANES（用于异常分割的伪健康生成网络，Pseudo Healthy generative networks for ANomaly Segmentation）的新型无监督方法。我们的方法具有逆转异常的能力，即保留健康组织并将异常区域替换为伪健康（PH）重建。与近期的扩散模型不同，我们的方法不依赖学习的噪声分布，也不会对整幅图像引入随机改动。相反，我们使用隐空间生成网络在可能的异常周围创建掩码，并通过修复生成网络对其进行细化。我们证明了 PHANES 在 T1w 脑 MRI 数据集中检测卒中病灶的有效性，并显示出相对于最先进（SOTA）方法的显著改进。我们相信我们提出的框架将为可解释、快速且准确的异常分割开辟新途径，并有可能支持各种面向临床的下游任务。
引用
@article{arxiv.2303.08452,
title = {Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly Detection},
author = {Cosmin I Bercea and Benedikt Wiestler and Daniel Rueckert and Julia A Schnabel},
journal= {arXiv preprint arXiv:2303.08452},
year = {2023}
}