Aug, 2023

提高医学图像的异常检测能力的更困难的合成异常

PDF
TL;DR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。
medical out-of-distributionsynthetic anomaliessegmentation networksanomaly generation processmiccai
发现论文，激发创造
  • 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

  • 基于合成负样本的鲁棒学习密集型异常检测

    通过使用正则化流技术生成合成负面样本以及基于信息论准则来检测异常，可以提高密集预测任务中对混乱和异常值的鲁棒性，并在标准基准和数据集上获得最新的性能。

    Dec, 2021

  • 通过风格对齐的异常感知语义分割

    自动驾驶背景下，为了在开放世界中部署无人车时遇到未知对象，将标准语义分割模型配备异常感知能力至关重要。本文通过减小合成的超出分布数据和驾驶场景之间的领域差异，有效缓解训练中可能出现的突破口，提升了超出分布合成过程。此外，我们提出了一种简单的微调损失函数，有效地促使预训练的语义分割模型生成 “给定类别之外” 的预测，利用像素级超出分布分数进行异常分割。在最小化微调工作的情况下，我们的流程使得在异常分割任务中能够使用预训练模型，同时保持对原始任务的性能。

    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

  • 基于 StyleGAN2 的医学影像异常检测

    利用生成对抗网络（GAN）检测处于训练分布之外的图像，该方法能够在 90% 以上的区分肝脏与非肝脏的情况下识别出分布之外的图像。

    Jul, 2023

  • 语义分割中的可靠性问题：我们能否使用合成数据？

    本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

    Dec, 2023

  • 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

  • 基于直方图和扩散的医疗异常检测

    基于直方图和扩散的方法相结合，该研究旨在通过对医学图像进行无监督异常检测，探索并提出后处理步骤以提高医学图像中异常检测的性能。

    Oct, 2023

  • MIM-OOD: 针对医学图像中的离群检测的生成式遮罩图像建模

    使用两个与任务相关的 Transformer，通过应用 MIM 模型来替代 AR 模型，实现对脑部 MRI 异常的快速检测和修复，明显优于 AR 模型，并获得近 25 倍的加速。

    Jul, 2023

  • OpenPatch: 用于外部分布检测的三维拼接

    这篇论文介绍了 OpenPatch 方法，它使用预训练模型从中间特征中提取一组描述每个已知类别的补丁表示，在新样本中评估其是否主要由单个已知类别的补丁构成或通过多个类别的贡献来组成，并通过广泛的实验评估展示了其在语义新颖性检测任务中的出色性能。

    Oct, 2023