利用多对比度信息的 MR 图像无监督异常检测
图像与视频处理
2021-12-01 v2 计算机视觉与模式识别
摘要
医学影像中的异常检测旨在区分疾病的相关生物标志物与正常组织的生物标志物。深度监督学习方法已在多种检测任务中展现出潜力，但其在标注异常数据收集有限且费力的医学影像领域性能会受限。因此，无监督异常检测可成为临床实践的有效工具，其仅使用无标注正常图像作为训练数据。本文中，我们开发了用于多对比度磁共振成像（MRI）像素级异常检测的无监督学习框架。该框架包含特征生成与使用高斯混合模型（GMM）的密度估计两步。特征通过对比度间转换的学习得到，有效捕捉多对比度 MRI 中的正常组织特征。该特征与另一特征（即多对比度图像的低维表示）协同使用。在使用 GMM 的密度估计中，引入了一种简单而高效的方式来处理中断联合学习过程的奇异性问题。所提方法优于以往的异常检测方法。定量与定性分析证明了所提方法在多对比度 MRI 异常检测中的有效性。
引用
@article{arxiv.2105.00463,
title = {Unsupervised Anomaly Detection in MR Images using Multi-Contrast Information},
author = {Byungjai Kim and Kinam Kwon and Changheun Oh and Hyunwook Park},
journal= {arXiv preprint arXiv:2105.00463},
year = {2021}
}