基于深度多元图像补全的高分辨率乳腺扫描无监督异常定位

数字乳腺断层合成（DBT）中的自动肿瘤检测是一项困难任务，原因在于肿瘤天然稀少、乳腺组织变异大以及高分辨率。鉴于该问题中异常图像稀缺而正常图像丰富，异常检测/定位方法可能非常适用。然而，机器学习中大多数异常定位研究聚焦于非医学数据集，我们发现这些方法在迁移到医学成像数据集时表现不佳。当我们从图像补全视角解决该任务时，问题得以缓解：异常的存在可由原始外观与基于周边条件自动补全结果之间的不一致来指示。然而，给定相同周边，往往存在许多有效的正常补全，尤其在 DBT 数据集中，使得该评价标准不够精确。为解决此问题，我们考虑多元图像补全，通过探索可能补全的分布而非生成固定预测。这通过对补全网络在仅推理时应用新颖的空间 dropout 实现，无需额外训练成本且能有效生成多样补全。我们进一步提出最小补全距离（MCD），一种利用这些随机补全检测异常的新度量。我们为所提方法在异常定位上优于现有方法提供了理论及实证支持。在 DBT 数据集上，我们的模型在像素级检测上以至少 10% AUROC 优于其他最先进方法。