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

Jan, 2024

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

Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET

PDF

Ravi Hassanaly, Camille Brianceau, Maëlys Solal, Olivier Colliot, Ninon Burgos

TL;DR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。

Abstract

Over the past years, pseudo-healthy reconstruction for unsupervised anomaly detection has gained in popularity. This approach has the great advantage of not requiring tedious pixel-wise data annotation and offers possibility to generalize to any kind of anomalies, including that corres

pseudo-healthy reconstruction unsupervised anomaly detection deep generative model abnormal images simulation neurodegeneration markers

发现论文，激发创造

利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测

我们提出了一种受 Z 分数启发的方法，利用健康人群的变异性来识别阿尔茨海默病相关异常，实验证明了我们方法的有效性。

Nov, 2023

现实世界中的深度生成模型：医学图像的开放挑战

本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

Jun, 2018

基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

Dec, 2023

无监督从 MRI 生成伪正常 PET 并采用扩散模型定位癫痫灶