Feb, 2021

基于 Transformer 的无监督脑部异常检测和分割

PDF
TL;DR通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。
anomaly detectiontransformersbrain imagingunsupervisedpathological lesions
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于 Transformer 的规范建模方法用于早期精神分裂症的异常检测

    本文介绍如何通过使用深度生成模型实现困难诊断的心理障碍，包括早期精神分裂症，对脑区的遍及性微小变化进行检测，产生了良好的效果，优于基于脑年龄和高斯过程的最近的规范方法。

    Dec, 2022

  • 用于图像异常定位的掩蔽变形器

    基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

    Oct, 2022

  • 跨注意力 Transformer 用于多模态无监督全身 PET 异常检测

    利用 PET/CT 成像技术和 transformers 的多模态融合，提出了一种无监督的异常检测算法，用于检测癌症的存在，并表明该方法可以在缺少正常训练数据的情况下准确地进行癌症定位，进而提高了临床诊疗精确性。

    Apr, 2023

  • 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

  • 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

  • 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