May, 2023

使用深度多元图像补完技术对高分辨率乳腺扫描图像进行无监督异常定位

PDF
TL;DR本文提出了一种通过图像完成的角度解决 Digital Breast Tomosynthesis（DBT）自动肿瘤检测问题的方法，该方法通过探索可能完成的分布来解决固定预测的问题，并提出 “最小完成距离（MCD）” 来检测异常，相对于现有方法在像素级检测的 AUROC 上表现优异。
automated tumor detectiondigital breast tomosynthesisanomaly detectionimage completionminimum completion distance
发现论文，激发创造
  • SIFT-DBT：自训练初始化及微调用于不平衡数字乳钼靶图像分类

    数字乳腺断层摄影（DBT）是一种广泛使用的医学影像模态，用于乳腺癌筛查和诊断，通过其类似于 3D 的乳腺体积成像能力提供更高的空间分辨率和更多的细节。然而，增加的数据量也引入了明显的数据不平衡挑战，其中只有一小部分体积包含可疑组织，这进一步加剧了真实世界数据中的案例级分布引起的数据不平衡，并导致学习一个只预测多数类的微不足道的分类模型。为了解决这个问题，我们提出了一种新颖的方法，使用视角级对比自我监督初始化和微调来识别异常 DBT 图像，即 SIFT-DBT。我们进一步引入了一种基于补丁级的多实例学习方法来保持空间分辨率。所提出的方法在 970 个独立研究的评估中达到了 92.69％的卷积 AUC。

    Mar, 2024

  • 基于深度学习的图像补全进行异常检测

    通过使用一类无监督学习方法，使用深度卷积神经网络进行图像完成，以完成缺件区域的图像，并使用像素重建误差进行异常检测的方法，有效用于检测表面装饰塑料零件的显著异常，并且此方法优于其他测试方法。

    Nov, 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

  • 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

  • 利用不完整影像数据进行脑肿瘤分割

    本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响，检验 MRI 数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。

    Jun, 2022

  • 基于图像提示的无监督脑肿瘤分割

    本文提出了基于 prompt learning 的无监督深度学习方法，通过人工构造的任务设计，训练模型回答输入图像的 voxel 强度与肿瘤样异常之间的联系，以实现无需专家标注的脑肿瘤分割，而在公开数据集和内部数据集上都取得了显著进展。

    Apr, 2023

  • 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

  • 基于注意力引导去噪扩散异常检测模型的客观和可解释的乳房整容评估

    我们提出了一种新颖的自动化方法，利用注意力引导降噪扩散异常检测 (AG-DDAD) 来评估乳腺整形手术后的乳房美容效果，通过利用无注释自监督 Vision Transformer 的注意力机制和扩散模型，在高质量图像重建和有针对性地变换区域的基础上，从未标记数据中无监督地检测异常以自动评分整形效果。与常用的基于规则的程序相比，我们的完全自动化方法不需要手动注释，提供客观评估。此外，我们的异常检测模型在准确性上表现出色，超过现有的模型，在乳房整形美容领域的超监督异常检测中具有重要意义，并为未来的研究铺平道路。

    Feb, 2024

  • 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

  • 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