Apr, 2020

基于规范化先验的图像恢复无监督病变检测

PDF
TL;DR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。
unsupervised lesion detectiondeep learningimage restorationprobabilistic modelbrain mri
发现论文，激发创造
  • 使用受限对抗自编码器在脑 MRI 中无监督检测病变

    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。

    Jun, 2018

  • 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

  • 自监督式脑部 CT 扫描中的异常外检测

    本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

    Nov, 2020

  • 通过学习多个异质标记数据集实现通用病变检测

    提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

    May, 2020

  • 医学图像合成的对抗学习方法用于病变检测

    该研究提出了一种名为异常 - 正常翻译生成对抗网络（ANT-GAN）的医学图像合成模型，能够根据异常图像生成与之对应的正常图像，该模型在医学影像分割或分类任务中提供了有用的辅助信息，并且能够用于数据增强。

    Oct, 2018

  • AutoPaint: 一种自我修复方法用于无监督异常检测

    本研究提出一种基于无监督异常检测方法的肿瘤检测方法，通过学习健康解剖结构，提出了一种稳健的基于修复模型的健康解剖结构重建方法，并基于此提出了一个自动修复的肿瘤检测方法，经实验证明，该方法在多模态图像中与有监督检测相比效果非常接近。

    May, 2023

  • 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

  • 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

  • 利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测

    我们提出了一种受 Z 分数启发的方法，利用健康人群的变异性来识别阿尔茨海默病相关异常，实验证明了我们方法的有效性。

    Nov, 2023

  • 深度变分损伤缺陷映射

    本研究采用深度生成神经网络架构进行损伤缺陷推断的任务，并与现有方法进行比较。结果表明，该模型在所有情况下均显著优于已有方法，包括相对较小和嘈杂的数据情况。

    May, 2023