无监督三维脑异常检测
图像与视频处理
2021-04-12 v2 计算机视觉与模式识别
摘要
异常检测(AD)是指识别不符合已学习数据分布的数据样本。因此,AD系统可辅助医生判断病变的存在、严重程度与范围。深度生成模型,如生成对抗网络(GANs),可用于捕捉解剖学变异。由此,任何离群点(即落于所学分布之外的样本)均可被以无监督方式检测为异常。利用该方法,我们不仅能检测预期或已知的病灶,甚至可揭示先前未被识别的生物标志物。据我们所知,本研究展示了首个能够高效处理体数据并在单一模型中检测三维脑异常的AD方法。我们的方案是二维f-AnoGAN模型在体数据上的高细节扩展,通过结合最先进的3D GAN与精炼训练步骤获得。在使用创伤性脑损伤(TBI)患者的非增强计算机断层扫描图像进行的实验中,该模型以约75%的ROC曲线下面积检测并定位TBI异常。此外,我们测试了该方法检测其他异常(如低质量图像、预处理误差、伪影,甚至术后征象(如颅骨切除术或脑分流术))的潜力。该方法有望用于大规模影像数据集的快速异常标注,以及识别新的生物标志物。
引用
@article{arxiv.2010.04717,
title = {Unsupervised 3D Brain Anomaly Detection},
author = {Jaime Simarro and Ezequiel de la Rosa and Thijs Vande Vyvere and David Robben and Diana M. Sima},
journal= {arXiv preprint arXiv:2010.04717},
year = {2021}
}
备注
Accepted at BrainLes Workshop in MICCAI 2020