利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测
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
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
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
本研究考察了医学图像中通用的异常检测,在比较各种方法时,特别探讨了模型应使用正常数据进行验证的问题,并提出了一种简单的决策级集成方法来增强性能的鲁棒性。
Jul, 2023
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
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
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