Diffusion Models for Unsupervised Anomaly Detection in Fetal Brain Ultrasound

超声检查是孕中期评估胎儿发育的必要工具，因其非侵入性和实时成像能力而备受赞赏。然而，超声图像的解释常常受到声学阴影、斑点噪声和其他伪影的干扰，从而模糊了关键的诊断细节。为了解决这些挑战，我们的研究提出了一种新的无监督异常检测框架，专门设计用于胎儿超声成像。该框架包括孕龄过滤、胎儿标准平面的精确识别和针对脑部区域的定向分割，以增强诊断准确性。此外，我们还在这个背景下引入了去噪扩散概率模型，标志着在检测以前未被发现的异常方面的重大创新。我们使用各种基于扩散的异常检测方法、噪声类型和噪声水平对该框架进行了严格评估。值得注意的是，AutoDDPM成为最有效的方法，在检测异常方面实现了79.8\%的精确度-召回率曲线下面积。这一进展有望改善现有的产前诊断工具，提高其细致和有效性。

这篇论文旨在为胎儿超声成像提供一种新的无监督异常检测框架，以解决胎儿超声成像中存在的声学阴影、斑点噪声和其他伪影等问题。

该框架包括孕周过滤、胎儿标准平面的精确定位和脑区域的有针对性分割，以提高诊断准确性。此外，该论文还引入了使用去噪扩散概率模型来检测以前未被识别的异常的方法，这标志着胎儿超声成像领域的重大创新。

论文使用各种扩散基于异常检测方法、噪声类型和噪声水平进行了严格评估。其中，AutoDDPM是最有效的方法，其在检测异常方面的精度-召回曲线下面积达到了79.8％。

最近的相关研究包括使用深度学习和其他机器学习方法来自动分割胎儿器官和异常检测，如“Deep learning-based fetal head detection and measurement in ultrasound images”和“Automated Detection of Fetal Anomalies in Ultrasound Images using Deep Learning”。