通过流体驱动异常随机化解析正常解剖
图像与视频处理
2025-01-24 v1 计算机视觉与模式识别
摘要
数据驱动的机器学习在医学图像分析方面取得了显著进展。然而，大多数现有方法针对特定模态且假设分辨率为各向同性，这限制了其在临床环境中的通用性，因为扫描外观因序列参数、分辨率和取向的差异而产生变化。此外，大多数通用模型针对健康患者设计，出现病理时性能会下降。我们引入UNA(Unraveling Normal Anatomy)，首个针对正常脑解剖的模态无关学习方法，可处理健康扫描及病理病例。我们提出了流体驱动的异常随机化方法，可即时生成大量逼真的病理轮廓。UNA在结合合成数据和真实数据后训练，可直接应用于具有潜在病理的真实图像，无需微调。我们展示了UNA在重建正常脑解剖方面的有效性，并演示了其直接应用于异常检测，包括来自3D健康和中风数据集的模拟和真实图像，涵盖CT和MRI扫描。通过搭建健康图像与病变图像之间的鸿沟，UNA使通用模型可用于病变图像，为存在病理情况下的大规模临床图像分析开辟了新机遇。代码已公开于https://github.com/peirong26/UNA。
引用
@article{arxiv.2501.13370,
title = {Unraveling Normal Anatomy via Fluid-Driven Anomaly Randomization},
author = {Peirong Liu and Ana Lawry Aguila and Juan E. Iglesias},
journal= {arXiv preprint arXiv:2501.13370},
year = {2025}
}
备注
16 pages, 6 figures