无监督病理检测：对当前最先进技术的深入探究
计算机视觉与模式识别
2023-08-01 v3 机器学习
摘要
深度无监督方法因有望缓解对大型标注数据集的需求，且在检测各类罕见病理时比有监督方法更具泛化性，正于医学图像病理检测与分割等应用中受到越来越多的关注。随着无监督异常检测（UAD）文献持续增长且新范式涌现，在通用框架下持续评估与基准测试新方法至关重要，以重新审视当前最先进技术（SOTA）并识别有前景的研究方向。为此，我们在多个医学数据集上评估了一系列前沿UAD方法，并将其与脑MRI UAD中既有的SOTA进行比较。实验表明，工业与医学文献中新兴的特征建模方法相较以往工作取得了更高性能，并在多种模态与数据集上确立了新的SOTA。此外，我们展示了此类方法能够受益于近期发展的自监督预训练算法，进一步提升性能。最后，我们进行了一系列实验以深入洞察所选模型与数据集的若干独特性质。我们的代码见 https://github.com/iolag/UPD_study/。
引用
@article{arxiv.2303.00609,
title = {Unsupervised Pathology Detection: A Deep Dive Into the State of the Art},
author = {Ioannis Lagogiannis and Felix Meissen and Georgios Kaissis and Daniel Rueckert},
journal= {arXiv preprint arXiv:2303.00609},
year = {2023}
}
备注
12 pages, 4 figures, accepted for publication in IEEE Transactions on Medical Imaging (added copyright, DOI information)