AAAIDec, 2015

图像异常的分类与计算模型研究

PDF
TL;DR本文研究了在计算机视觉中，如何利用人类视觉系统对图像异常性进行识别和分类，提出了一种基于人类实验数据的异常图像分类法以及一种能够准确预测各种异常情况的计算模型，并相应建立了一个异常图像数据集。
abnormality recognitionvisual systemcomputational modelatypicalitieshuman subject experiments
发现论文，激发创造
  • 图像合成作为无监督组织病理学诊断的前置任务

    本文提出了使用无监督生成式模型来进行异常检测的方法，并在数字病理学领域展示了其优势，实验证明这种方法比有监督模型更优秀。

    Apr, 2021

  • 基于显著性的聚类框架用于识别异常预测

    机器学习在生物医学领域的高风险场景中，通过减少错误分类率和识别异常预测的方法，显著提高模型性能，并应用于兽医放射学领域，增强了机器学习分类器在高风险、实际情况下的实用性和可信度。

    Nov, 2023

  • 无需事先知晓异常情况的医学图像通用异常检测可行性

    本研究考察了医学图像中通用的异常检测，在比较各种方法时，特别探讨了模型应使用正常数据进行验证的问题，并提出了一种简单的决策级集成方法来增强性能的鲁棒性。

    Jul, 2023

  • MedIAnomaly：医学图像异常检测的比较研究

    该研究论文旨在建立一个统一实施和比较的基准，对医学领域的七个包括胸部 X 射线、脑部磁共振、视网膜底像、皮肤镜像和组织病理全切片图像在内的医学数据集进行广泛评估，并比较了二十七种典型的异常检测方法，首次对现有方法中的关键组件进行了正式探索，明确了未解决的挑战和潜在的未来方向。

    Apr, 2024

  • 辨识和分类视网膜成像数据中的异常

    提出基于健康样本作为参考来识别大规模医学影像数据中的异常区域，并使用深度卷积自编码器来进行训练和病理区域的分类，结果表明相比于标准嵌入方法，学习特征在分类任务中表现更好。

    Dec, 2016

  • 使用图像转换技术在组织病理图像中无监督检测癌变区域

    本文介绍一种基于图像转换的框架，在医学影像的癌变区域检测领域中取得了比现有的无监督方法更好的性能，并且接近于有监督方法的性能。

    Apr, 2021

  • 学习图像表示以进行异常检测：应用于药物开发中发现组织学改变

    本文提出了一种在组织病理学图像中进行异常检测的系统，该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练，并用于药物毒性评估，结果优于已有的方法。

    Oct, 2022

  • CAT2000：用于推动显著性研究的大规模注视数据集

    对当前显著性模型问题的深入洞察及更好的测量方法，如通过记录 120 个观察者在查看了包含 4000 幅图像的数据集时的眼动数据、分析数据集的基本特性、比较一些成功模型等，可帮助推进下一代显著性模型的研究，并有助于进行视觉注意力的行为研究。

    May, 2015

  • 视觉知识追踪

    本文提出了一项新颖的任务，即追踪人类学习者在进行挑战性的视觉分类任务时不断演变的分类行为，提出了一种新的视觉知识追踪模型，并收集三个挑战性的新数据集，从而评估不同的视觉知识追踪方法的性能，结果表明我们的循环模型能够预测人类学习者在三个挑战性的医学图像和物种识别任务中的分类行为。

    Jul, 2022

  • 朝着节约的无监督医学图像微细异常检测

    医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

    Sep, 2023