基于图像-语义循环翻译的无监督异常分割
图像与视频处理
2021-03-17 v1 计算机视觉与模式识别
摘要
无监督异常分割(UAS)的目标是检测训练期间未见的像素级异常。这是医学影像领域一个有前景的方向,例如,我们可以使用仅用健康数据训练的模型来分割罕见疾病的病灶。现有方法主要基于信息瓶颈,其基本原理是通过学习以低维流形压缩和恢复健康数据来建模正常解剖的分布,然后将病灶作为该学习分布中的离群点进行检测。然而,这种降维不可避免地损害定位信息,而定位信息对于像素级异常检测尤为关键。在本文中,为缓解此问题,我们在建模健康数据分布的过程中引入健康解剖的语义空间。更确切地说,我们将分割与合成的耦合视为一种特殊的自编码器,并提出一种具有“图像->语义->图像”路径的新型循环翻译框架。在 BraTS 和 ISLES 数据库上的实验结果表明,所提方法相比若干已有方法取得了显著更优的性能,并更准确地分割了异常。
引用
@article{arxiv.2103.09094,
title = {Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation},
author = {Chenxin Li and Yunlong Zhang and Jiongcheng Li and Yue Huang and Xinghao Ding},
journal= {arXiv preprint arXiv:2103.09094},
year = {2021}
}