用于脑MRI无监督异常分割的尺度空间自编码器
图像与视频处理
2020-06-24 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
脑病灶在大小和形状上差异极大，从几个像素（即MS病灶）到占据空间的大肿瘤不等。近期提出的基于自编码器的脑MRI无监督异常分割方法展现出良好前景，但难以高保真地建模分布，而这对精确勾画特别是小病灶至关重要。此处，与这些先前工作类似，我们建模健康脑MRI的分布，并从错误重建中定位病灶。然而，为在更高分辨率下实现改进的重建保真度，我们学习利用拉普拉斯金字塔压缩和重建健康脑MRI的不同频带。在一系列对比实验中，我们在三个含MS病灶和肿瘤的脑MR数据集上将方法与不同SOTA方法比较，展示了改进的异常分割性能，以及以原生分辨率获得输入数据更清晰重建的通用能力。拉普拉斯金字塔的建模进一步实现了多尺度下病灶的勾画与聚合，从而允许使用单一模型有效应对不同病灶与病灶大小。
引用
@article{arxiv.2006.12852,
title = {Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI},
author = {Christoph Baur and Benedikt Wiestler and Shadi Albarqouni and Nassir Navab},
journal= {arXiv preprint arXiv:2006.12852},
year = {2020}
}