May, 2023

AutoPaint: 一种自我修复方法用于无监督异常检测

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 朝着节约的无监督医学图像微细异常检测

    医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

    Sep, 2023

  • 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

  • 缺陷检测的修复变压器

    这篇论文提出了一种使用自注意力方法的纯补全变换模型，用于计算机视觉中的异常检测，其使用深度学习自动编码器来识别图像中的异常部分，并可实现区分性补全，同时提高了检测结果的准确性。

    Apr, 2021

  • 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

  • 使用生成对抗网络进行无监督异常检测以引导标志物发现

    运用无监督学习的方法，基于深度卷积生成对抗网络提出一种新的异常检测方案 AnoGAN，在视网膜光学相干断层成像（OCT）中成功地识别出包括视网膜液体或增强反射点在内的异常图像。

    Mar, 2017

  • 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

  • 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

  • 基于深度生成模型的假健康图像重建用于异常检测的评估：以脑部 FDG PET 为例

    基于模拟现实异常图像的伪健康重建方法的评估程序，旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。

    Jan, 2024

  • 辨识和分类视网膜成像数据中的异常

    提出基于健康样本作为参考来识别大规模医学影像数据中的异常区域，并使用深度卷积自编码器来进行训练和病理区域的分类，结果表明相比于标准嵌入方法，学习特征在分类任务中表现更好。

    Dec, 2016