脑CT扫描中自监督的分布外检测
图像与视频处理
2020-11-12 v1 计算机视觉与模式识别
摘要
医学影像数据因标注稀缺而受限，因为标注三维医学数据是一项耗时且昂贵的任务。此外，即便有标注，基于监督学习的方法也会深受数据高度不平衡之苦。筛查期间大多数扫描来自正常受试者，但异常病例也存在较大差异。为解决这些问题，近来已有报道采用无监督深度异常检测方法，即在大尺寸正常扫描上训练模型，并通过计算重建误差来检测异常扫描。本文提出一种新颖的用于异常检测的自监督学习技术。我们的架构主要由两部分组成：1) 重建；2) 预测几何变换。通过训练网络预测几何变换，模型能够学习更好的图像特征及正常扫描的分布。在测试时，几何变换预测器可通过计算几何变换与预测之间的误差来分配异常分数。此外，我们进一步利用带上下文恢复的自监督学习来预训练模型。通过在临床脑CT扫描上的对比实验，已验证所提方法的有效性。
引用
@article{arxiv.2011.05428,
title = {Self-Supervised Out-of-Distribution Detection in Brain CT Scans},
author = {Abinav Ravi Venkatakrishnan and Seong Tae Kim and Rami Eisawy and Franz Pfister and Nassir Navab},
journal= {arXiv preprint arXiv:2011.05428},
year = {2020}
}
备注
Accepted at Medical Imaging Meets NeurIPS Workshop at NeurIPS 2020