基于 Transformer 的模型用于脑 MR 图像无监督异常分割
图像与视频处理
2022-08-30 v2 计算机视觉与模式识别
神经元与认知
摘要
诊断放射学相关的患者护理质量与医生工作量成正比。分割是诊断和治疗程序的一个根本性限制前驱步骤。机器学习（ML）的进步旨在通过用通用算法替代单一应用来提高诊断效率。无监督异常检测（UAD）的目标是识别训练期间未见的潜在异常区域，其中基于卷积神经网络（CNN）的自编码器（AE）和变分自编码器（VAE）被视为基于重建的异常分割的事实标准方法。CNN 中受限的接受域限制了 CNN 对全局上下文建模。因此，若异常区域覆盖图像的大部分，基于 CNN 的 AE 无法对图像进行语义理解。同时，视觉 Transformer（ViT）已成为 CNN 的有竞争力的替代方案。它依赖可将图像块相互关联的自注意力机制。我们在本文中研究 Transformer 在构建用于基于重建的 UAD 任务的 AE 以重建连贯且更真实图像方面的能力。我们聚焦于脑磁共振成像（MRI）的异常分割，并提出五种基于 Transformer 的模型，其分割性能可与最先进（SOTA）模型相媲美或更优。源代码已在 GitHub 公开：https://github.com/ahmedgh970/Transformers_Unsupervised_Anomaly_Segmentation.git。
引用
@article{arxiv.2207.02059,
title = {Transformer based Models for Unsupervised Anomaly Segmentation in Brain MR Images},
author = {Ahmed Ghorbel and Ahmed Aldahdooh and Shadi Albarqouni and Wassim Hamidouche},
journal= {arXiv preprint arXiv:2207.02059},
year = {2022}
}