Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective

我们提出了一种融合质量损失函数的图像质量评估方法，该方法结合了结构相似性指数测量损失和l1损失，提供了更全面的重建质量评估。此外，我们引入了一种数据预处理策略，增强了正常和异常区域之间的平均强度比（AIR），进一步提高了异常的区分度。通过融合上述两种方法，我们设计了图像质量评估（IQA）方法。与最先进的方法相比，所提出的IQA方法在BraTS21（T2，FLAIR）和MSULB数据集上的Dice系数（DICE）和精确率-召回率曲线下面积（AUPRC）方面实现了显着的改进（>10％）。这些结果突显了在医学异常检测中调用全面的图像质量评估的重要性，并为未来研究提供了新的视角。

本论文试图通过图像质量评估来解决脑MRI异常检测的问题。

论文提出了一种融合SSIM loss和l1 loss的质量损失函数，并引入了一种数据预处理策略来增强正常和异常区域之间的平均强度比（AIR），从而进一步提高异常检测的准确性。

论文通过实验验证了所提出方法的有效性，并在BraTS21（T2，FLAIR）和MSULB数据集上相比现有方法实现了显著的Dice系数（DICE）和精确率-召回率曲线下面积（AUPRC）的提升。

最近的相关研究包括： - Anomaly Detection in Retinal OCT Images using Variational Autoencoder and Bayesian Optimization - Deep learning for brain MRI segmentation: state of the art and future directions - Brain tumor segmentation using a fully convolutional neural network trained with online learning