Jul, 2021

使用泊松图像插值检测离群值

PDF
TL;DR本研究提出了一种基于 Poisson 图像插值策略的自监督方法，可以在医学图像中检测病理异常，超过了现有方法的表现，适用于具有挑战性的数据制度。
anomaly detectionself-supervised methodpatch interpolationpoisson image interpolationchallenging data regimes
发现论文，激发创造
  • 使用异域补丁插值检测离群值

    该研究通过使用残差编码器解码器，借助于正常解剖的自然变化来创建一系列合成异常，从而帮助医学成像中检测异常，并给出异常分数预测。

    Nov, 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

  • 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

  • 脑图像的反事实生成和异常检测的扩散模型

    通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

    Aug, 2023

  • 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

  • 提高医学图像的异常检测能力的更困难的合成异常

    我们的研究基于之前的医学领域离群分布挑战（MOOD）的获奖者的工作，其经验性地表明通过复制和插值外来补丁生成合成局部异常有助于训练分割网络，从而能够推广到未见过的异常类型。我们的贡献在合成异常生成过程中，通过使用随机形状而不是方形，并平滑异常的插值边缘，使合成异常更加多样化和具有挑战性，使网络无法仅仅依赖图像 - 外来补丁之间的高梯度来识别异常。我们的实验证明，这两项贡献显著改进了该方法的性能。我们使用标准的 3D U-Net 架构作为分割网络，在脑部和腹部数据集上以补丁方式进行训练。我们最终的挑战提交包括 10 个在不同异常生成过程配置下训练的 U-Net，通过 5 个数据折叠进行训练。我们的方法在 MICCAI 举办的 2022 年医学离群分布挑战的样本级和像素级任务中取得了第一名。

    Aug, 2023

  • 自监督异常检测和定位的自然合成异常

    通过自监督学习中的一种简单而直观的任务 ——Natural Synthetic Anomalies (NSA)，本文利用正常训练数据培训端到端模型进行异常检测和定位。NSA 技术使用 Poisson 图像编辑，无缝地混合来自不同图像的各种规模的缩放补丁，创造出一种更类似于自然子图像的不规则性的合成异常。我们使用自然和医学图像评估了所提出的方法。在 MVTec AD 数据集上的实验表明，使用本文提出的 NSA 技术训练的模型推广到检测出不同类型的制造缺陷，取得了 97.2 的总体检测 AUROC，优于所有先前的不使用额外数据集进行学习的方法。

    Sep, 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

  • 使用图像转换技术在组织病理图像中无监督检测癌变区域

    本文介绍一种基于图像转换的框架，在医学影像的癌变区域检测领域中取得了比现有的无监督方法更好的性能，并且接近于有监督方法的性能。

    Apr, 2021

  • 多任务学习：从多个合成任务中学习医学异常定位

    针对现实场景中实际应用领域不断增多的无泛化的外部分布，我们的新方法利用多个可视化的、不同的、合成异常学习任务进行训练和验证，从而增强了样本的鲁棒性和泛化性，实现了对基于脑部 MRI 和胸部 X 射线的最新方法的超越。

    Jul, 2023