基于约束对抗自编码器的脑 MRI 病变无监督检测
计算机视觉与模式识别
2018-06-14 v1
摘要
脑磁共振图像（MRI）中的病变检测仍是一项具有挑战性的任务。最先进的方法大多基于监督学习，利用大型标注数据集。另一方面，人类即使是非专家，在看到少量健康脑图像后也能检测出大多数异常病变。复制这种利用健康脑结构外观先验信息来检测病变的能力，可帮助计算机达到人类水平的异常检测，特别是减少对大量标注样本的需求，并改善对先前未见病变的泛化。为此，我们通过学习健康受试者脑 MRI 的数据分布，利用基于自编码器的方法以无监督方式研究病变区域检测。我们假设当前模型的主要局限之一在于潜表示缺乏一致性。我们提出了一种简单而有效的约束，有助于将带病变图像在潜空间中映射到其对应的健康图像附近。我们使用 Human Connectome Project 数据集学习健康外观脑 MRI 的分布，并在 BRATS 挑战数据集上报告了以 AUC 衡量的改进检测效果。
引用
@article{arxiv.1806.04972,
title = {Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders},
author = {Xiaoran Chen and Ender Konukoglu},
journal= {arXiv preprint arXiv:1806.04972},
year = {2018}
}
备注
9 pages, 5 figures, accepted at MIDL 2018