NIPSDec, 2016

辨识和分类视网膜成像数据中的异常

PDF
TL;DR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。
medical imagessupervised traininganomaliesconvolutional autoencoderpathologic regions
发现论文，激发创造
  • 利用解剖分割的认知不确定性进行视网膜 OCT 异常检测

    利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。

    May, 2019

  • 使用生成对抗网络进行无监督异常检测以引导标志物发现

    运用无监督学习的方法，基于深度卷积生成对抗网络提出一种新的异常检测方案 AnoGAN，在视网膜光学相干断层成像（OCT）中成功地识别出包括视网膜液体或增强反射点在内的异常图像。

    Mar, 2017

  • 医疗影像无监督异常检测的遮蔽自编码器

    本论文提出了一种使用模板自编码器模型和伪异常模块来训练医学图像中的异常检测的方法，并成功在 BRATS2020 和 LUNA16 等数据集上进行实验。

    Jul, 2023

  • 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

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 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

  • 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

  • 深度视网膜图像诊断中的病理学证据探索

    本研究提出一种基于深度学习的医学诊断方法，使用病理描述符从神经元中提取特征，通过生成对抗网络合成具有糖尿病性视网膜病变特征的病理性视网膜图像，并经过专业医生验证证明其优于现有方法。

    Dec, 2018

  • 用深度自编码模型进行脑 MR 图像无监督异常分割

    本篇研究论文提出利用深度空间自编码模型对 2D 脑磁共振成像进行正常解剖学变异的捕获，并将输入图像与完成的重构进行比较来检测和勾画异常，该方法在标准深度表征学习上施加的潜在空间和对抗性训练的限制，进一步提高了分割性能。

    Apr, 2018

  • 面向医学影像的通用无监督异常检测

    通过引入一种新颖的无监督方法 RA，可自动生成逼真的健康影像重构，从而识别更广泛的病理性异常，超过现有先进方法在多种影像模态中的表现，提高医学影像的诊断准确性。

    Jan, 2024