KDDJul, 2020

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

PDF
TL;DR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。
anomaly detectionmagnetic resonance imagessemi-supervised learningvariational autoencodertumour detection
发现论文，激发创造
  • 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

  • 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

  • 基于孪生神经网络潜空间的单类支持向量机用于脑 MRI 白质高信号异常无监督检测

    提出基于 Patch 自编码器的无监督异常检测方法，在多模态神经影像任务中，将单类支持向量机应用于异常检测以检测病变，评估了该模型在公共数据集 White Matter Hyperintensities (WMH) Challenge 上的性能和表现与两种最优秀的现有技术相当。

    Apr, 2023

  • 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

  • MADGAN：使用多个相邻的脑 MRI 层面重建的无监督医学异常检测 GAN

    提出了一种无监督的医学异常检测生成性对抗网络（MADGAN）方法，使用基于生成性对抗网络的多个相邻脑磁共振成像切片重建来检测不同阶段的脑部异常，可在 T1 扫描中以 AUC 0.727 的曲线下面积检测轻度认知障碍（MCI）下的阿尔茨海默病，在晚期以 AUC 0.894 检测 AD，并可在 T1c 扫描中以 AUC 0.921 检测脑转移和其他疾病。

    Jul, 2020

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 基于切片隐式扩散模型的 3D MRI 合成：改善数据稀缺情况下肿瘤分割任务

    利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。

    Jun, 2024

  • 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