面向医学影像中粗粒度新颖检测的无监督补丁-GAN 及定向补丁排序
计算机视觉与模式识别
2025-01-31 v1 图像与视频处理
摘要
检测医学影像中的新颖异常因稀有异常的标注数据有限而具有挑战性，这些异常往往显示出高度变异和微妙性。当小异常区域嵌入较大的正常区域时，整体图像预测常常忽略这些细微偏离。这使得问题更加复杂。为此，我们提出了一个无监督补丁-GAN 框架，用于捕获局部细节和全局结构，以检测和局部化异常。我们的框架首先重建被掩码的图像，以学习细粒度的、特定于正常的特征，从而增强对小偏离的灵敏度。通过将这些重建图像划分为补丁并评估每个补丁的真实性，我们的方法在更细粒度的层面识别异常，克服了整体图像评估的局限性。此外，一个补丁排序机制优先考虑具有更高异常得分的区域，强化局部补丁差异与全局图像背景之间的对齐。在 ISIC 2016 皮肤 lesion 和 BraTS 2019 大脑肿瘤数据集上的实验结果表明，我们的框架有效，分别实现了 95.79% 和 96.05% 的 AUC，显著优于三个最先进的基线方法。
引用
@article{arxiv.2501.17906,
title = {Unsupervised Patch-GAN with Targeted Patch Ranking for Fine-Grained Novelty Detection in Medical Imaging},
author = {Jingkun Chen and Guang Yang and Xiao Zhang and Jingchao Peng and Tianlu Zhang and Jianguo Zhang and Jungong Han and Vicente Grau},
journal= {arXiv preprint arXiv:2501.17906},
year = {2025}
}