StRegA：使用紧凑上下文编码变分自编码器在脑部 MRI 中进行无监督异常检测
图像与视频处理
2022-09-12 v3 计算机视觉与模式识别
机器学习
医学物理
摘要
对人类大脑解剖图像的专家判读是神经放射学的核心部分。目前已提出多种基于机器学习的技术来辅助分析过程。然而，机器学习模型通常需要针对特定任务（例如脑肿瘤分割或分类）进行训练。相应的训练数据不仅需要费时费力的手动标注，而且人脑 MRI 中可能存在多种异常——甚至同时出现多种异常，这使得对所有可能的异常进行表征极具挑战性。因此，一种可行的解决方案是采用无监督异常检测系统，该系统能够从健康受试者的无标注数据集中学习数据分布，随后用于检测分布外样本。这种技术无需针对特定病理显式训练模型，即可用于检测异常（例如病灶或病变，如脑肿瘤）。过去已有多种基于变分自编码器的技术被提出用于此任务。尽管它们在受控的人工模拟异常上表现优异，但在检测临床数据中的异常时，许多模型表现不佳。本研究提出了一种紧凑版的“上下文编码”变分自编码器模型，结合预处理和后处理步骤，构建了无监督异常检测流水线 StRegA。该流水线在临床数据上更具鲁棒性，并展示了其在检测脑部 MRI 中肿瘤等异常方面的适用性。在 BraTS 数据集的 T2w 图像中检测肿瘤时，所提出的流水线取得了 0.6420.101 的 Dice 分数，在检测人工诱发异常时取得了 0.8590.112 的分数，而表现最佳的基线方法则分别为 0.5220.135 和 0.7830.111。
引用
@article{arxiv.2201.13271,
title = {StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder},
author = {Soumick Chatterjee and Alessandro Sciarra and Max Dünnwald and Pavan Tummala and Shubham Kumar Agrawal and Aishwarya Jauhari and Aman Kalra and Steffen Oeltze-Jafra and Oliver Speck and Andreas Nürnberger},
journal= {arXiv preprint arXiv:2201.13271},
year = {2022}
}