面向医学影像中细微异常的经济型无监督检测
图像与视频处理
2023-09-07 v1 人工智能
机器学习
摘要
在异常未被标注的场景下，医学影像中的异常检测是一项具有挑战性的任务。该问题可通过无监督异常检测（UAD）方法解决，此类方法识别与正常轮廓参考模型不匹配的特征。人工神经网络已广泛用于 UAD，但通常无法在精度与计算需求间取得最优权衡。作为替代，我们研究概率分布混合模型，其多用途性已在各类数据与任务中得到广泛认可，且无需过多设计投入或调参。其表达力使其成为刻画复杂多变量参考模型的良好候选。其远少的参数数量使其更易于解释与高效学习。然而，标准估计过程（如期望最大化算法）因高内存占用而无法良好扩展至大规模数据。为解决该问题，我们提出增量计算推断量。该在线方法在新确诊帕金森病患者随访中 MR 脑扫描细微异常检测这一挑战性任务上得到验证。所识别的结构性异常与疾病进展一致，如 Hoehn and Yahr 量表所示。
引用
@article{arxiv.2309.02458,
title = {Towards frugal unsupervised detection of subtle abnormalities in medical imaging},
author = {Geoffroy Oudoumanessah and Carole Lartizien and Michel Dojat and Florence Forbes},
journal= {arXiv preprint arXiv:2309.02458},
year = {2023}
}