基于深度强化学习的脑MRI半监督异常检测：领域无关方法
计算机视觉与模式识别
2025-08-05 v1
摘要
为开发面向脑MRI体积的、集成深度强化学习(DRL)以解决大规模数据、过拟合和类别不平衡等挑战的、领域无关的半监督异常检测框架。本回顾性研究使用公开的脑MRI数据集，数据采集时间为2005年至2021年。IXI数据集提供581个T1加权和578个T2加权MRI体积(来自健康受试者)，用于训练；BraTS 2021数据集提供251个体积用于验证，1000个体积用于测试(不健康受试者，伴有脑腺瘤)。预处理包括归一化、颅骨去除及统一体素大小的配准。实验在T1加权和T2加权两种调制方式下进行。还进行了额外实验和消融分析，分别在工业数据集上进行。该方法将DRL与特征表示集成，以处理标签稀缺、大规模数据和过拟合问题。统计分析基于多种检测与分割指标，包括AUROC和Dice系数。该方法在脑MRI数据集上实现了88.7%(像素级)和96.7%(图像级)的AUROC，超越了最先进(SOTA)方法。在工业表面数据集上，模型也表现出竞争性能(像素级AUROC=99.8%，图像级AUROC=99.3%)，表明其具有强大的跨域泛化能力。异常样本规模研究表明，随着异常样本数量增加，AUROC呈单调递增，且无过拟合现象或额外计算开销。该领域无关的半监督方法使用DRL在MRI异常检测方面显示出巨大的潜力，实现了在医学和工业数据集上的优异性能。其鲁棒性、可泛化性和效率凸显了其在实际临床应用中的潜力。
引用
@article{arxiv.2508.01137,
title = {Semi-Supervised Anomaly Detection in Brain MRI Using a Domain-Agnostic Deep Reinforcement Learning Approach},
author = {Zeduo Zhang and Yalda Mohsenzadeh},
journal= {arXiv preprint arXiv:2508.01137},
year = {2025}
}
备注
34 pages, 6 figures and 4 tables in main text, 17 pages supplementary material with 3 tables and 3 figures; Submitted to Radiology: Artificial Intelligence