上颌窦鼻旁异常的的无监督异常检测
图像与视频处理
2022-11-04 v1
摘要
深度学习（DL）算法可用于从磁共振成像（MRI）中自动检测鼻旁异常。然而，以往工作依赖有监督学习技术来区分正常与异常样本。该方法限制了可分类的异常类型，因为异常需出现在训练数据中。此外，模型需要来自正常和异常类的大量数据点才能达到满意的分类性能。然而，有经验的临床医生在观察少量正常样本后就能将正常样本（健康上颌窦）与异常样本（异常上颌窦）分开。我们通过使用 3D 卷积自编码器（cAE）及其变体 3D 变分自编码器（VAE）架构学习健康上颌窦的分布来模仿临床医生的能力，并评估 cAE 和 VAE 在该任务上的表现。具体而言，我们将鼻旁异常检测视为无监督异常检测问题。由此，我们减少了临床医生的标注负担，因为训练时仅使用健康样本。此外，我们可分类任何偏离训练分布的异常类型。我们训练 3D cAE 和 VAE 以使用 L1 重建损失学习健康上颌窦体积的潜在表示。推理时，我们利用重建误差对正常与异常上颌窦进行分类。我们从更大的头颈 MRI 中提取子体积，并分析不同视野对检测性能的影响。最后，我们报告了使用本方法最容易和最难分类的异常。我们的结果表明，从无监督检测鼻旁异常是可行的，cAE 和 VAE 的 AUPRC 分别为 85% 和 80%。
引用
@article{arxiv.2211.01371,
title = {Unsupervised Anomaly Detection of Paranasal Anomalies in the Maxillary Sinus},
author = {Debayan Bhattacharya and Finn Behrendt and Benjamin Tobias Becker and Dirk Beyersdorff and Elina Petersen and Marvin Petersen and Bastian Cheng and Dennis Eggert and Christian Betz and Anna Sophie Hoffmann and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2211.01371},
year = {2022}
}