基于掩码扩散模型的医学图像无监督异常检测
图像与视频处理
2023-08-30 v2 计算机视觉与模式识别
摘要
由于解剖结构的异质性和对像素级标注的要求，使用有监督深度学习技术识别脑MRI异常可能具有挑战性。无监督异常检测方法提供了一种替代方案，仅依赖健康大脑的样例级标签来生成所需的表征，从而在像素级识别异常。尽管生成模型对于生成此类解剖一致的健康大脑表征至关重要，但准确生成人脑复杂的解剖结构仍然是一个挑战。在本研究中，我们提出了一种称为掩码DDPM（mDPPM）的方法，其引入基于掩码的正则化以重构扩散模型的生成任务。具体而言，我们在自监督方法中引入掩码图像建模（MIM）和掩码频率建模（MFM），使模型能够从无标签数据中学习视觉表征。据我们所知，这是首次在DDPM模型中应用MFM于医学应用。我们在包含肿瘤和多发硬化病灶的数据集上评估了我们的方法，并展示了我们的无监督方法相对于现有全/弱监督基线具有更优的性能。代码可在 https://github.com/hasan1292/mDDPM 获取。
引用
@article{arxiv.2305.19867,
title = {Unsupervised Anomaly Detection in Medical Images Using Masked Diffusion Model},
author = {Hasan Iqbal and Umar Khalid and Jing Hua and Chen Chen},
journal= {arXiv preprint arXiv:2305.19867},
year = {2023}
}
备注
Accepted in MICCAI 2023 Workshops