基于规范先验图像复原的无监督病灶检测
图像与视频处理
2020-05-04 v1 计算机视觉与模式识别
摘要
无监督病灶检测是一个具有挑战性的问题，需要在无训练样本的情况下准确估计健康解剖结构的规范分布并将病灶作为异常值检测出来。近来，随着深度学习在无监督学习方面的进展，该问题受到了研究界越来越多的关注。这些进展使得对高维分布（如规范分布）的估计比以往方法具有更高的准确性。近期提出的方法主要采用以网络参数化的潜变量模型来近似规范分布，利用显示健康解剖结构的示例图像，执行先验投影（即用潜变量模型重建含病灶图像），并基于重建图像与原始图像之间的差异来确定病灶。尽管前景可观，先验投影步骤常导致大量假阳性。本工作中，我们将无监督病灶检测视为图像复原问题，提出一种概率模型，该模型使用基于网络的先验作为规范分布，并通过最大后验（MAP）估计逐像素检测病灶。该概率模型惩罚复原图像与原始图像之间的大偏差，从而降低逐像素检测中的假阳性。在公开数据集上针对脑MRI中胶质瘤与卒中病灶的实验表明，所提方法在胶质瘤与卒中检测上均以显著优势（AUC提升+0.13）优于最先进的（SOTA）无监督方法。广泛的模型分析证实了基于MAP的图像复原的有效性。
引用
@article{arxiv.2005.00031,
title = {Unsupervised Lesion Detection via Image Restoration with a Normative Prior},
author = {Xiaoran Chen and Suhang You and Kerem Can Tezcan and Ender Konukoglu},
journal= {arXiv preprint arXiv:2005.00031},
year = {2020}
}
备注
Extended version of 'Unsupervised Lesion Detection via Image Restoration with a Normative Prior' (MIDL2019)