Jun, 2018

使用受限对抗自编码器在脑 MRI 中无监督检测病变

PDF
TL;DR本文将基于自动编码器的方法，采用无监督学习的方法，利用健康人的脑 MRI 数据集学习其数据分布，提出了一种简单而有效的约束，希望能够在潜在空间中将带有病灶的图像映射到其对应的健康图像上，该方法在 BRATS 挑战数据集的病灶检测中表现出更好的性能。
brain mrilesion detectionunsupervised learningauto-encoderlatent representation
发现论文，激发创造
  • 使用卷积自编码器从 MRI 进行无监督的脑部损伤分割

    本研究使用卷积自编码器方法，通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病，性能远优于传统人工标注和现有自监督方法。

    Nov, 2018

  • 应用自编码器进行无监督的脑 MR 图像异常分割：一项比较研究

    本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

    Apr, 2020

  • 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

  • 利用自编码器正则化进行三维 MRI 脑肿瘤分割

    本研究利用编码器 - 解码器结构，结合变分自编码器总体约束方法，从大量的 3D MRI 数据中，实现了对脑肿瘤细分的自动化分割，并在 BraTS 2018 挑战中获得了第一名。

    Oct, 2018

  • 用于脑 MRI 非监督异常分割的尺度空间自编码器

    使用拉普拉斯金字塔对健康脑 MRI 的不同频带进行压缩和重建来提高重构保真度，实现对大、小脑病变的定位和聚合，并且表现出优异的异常分割效果。

    Jun, 2020

  • 基于自编码器潜变量分析的脑部细微异常检测：对新发帕金森患者的应用

    利用无监督学习中的基于 Patch 的自编码器，设计出两个用于检测潜在异常信息的检测标准，与两个监督式学习的方法相比较，这两个标准在难度较大的 PD 分类任务上的表现更佳。

    Feb, 2023

  • 通过计算潜在表示之间的不相似度来提高脑部 MRI 切片肿瘤检测

    本篇研究使用变分自动编码器（Variational AutoEncoder，VAE）结合半监督方法，基于磁共振图像（MRI）比较健康患者和非健康患者，有效地检测肿瘤等异常情况。通过在高分辨率图片上训练模型，提高重建质量和阈值，检测效果可与使用单独 VAE 训练的方法比肩。

    Jul, 2020

  • 自我监督的大脑损伤生成，用于医学图像的有效数据增强

    提出了一个综合框架，通过基于对抗自编码器的病变生成器和软泊松融合算法，高效地生成用于训练脑部病变分割模型的新的逼真样本，并引入原型一致性正则化以实现真实和合成特征的对齐，验证表明该方法在两个公共脑部病变分割数据集上优于现有的数据增强方案。

    Jun, 2024

  • 基于规范化先验的图像恢复无监督病变检测

    本研究提出了一种基于深度学习的概率模型来进行无监督病变检测，该模型使用基于网络的先验作为归一化分布，并使用 MAP 估计逐像素地检测病变，实验证明该方法在脑 MRI 中检测胶瘤和卒中病变方面的性能优于现有的无监督方法。

    Apr, 2020

  • 医学图像非监督异常检测中的隐式场学习

    提出了一种基于隐式场图像表示的医学图像无监督的脱离分布检测方法，应用于脑 MR 图像中的胶质瘤本地化任务，结果表明该方法显著优于其他基于 VAE 的异常检测方法（平均 DICE 0.640 vs 0.518），同时需要更少的计算时间。

    Jun, 2021