Unsupervised 3D Brain Anomaly Detection

论文链接：https://arxiv.org/abs/2010.04717

本文提出了第一种3D脑部异常检测(AD)方法，其可以在一个模型中有效处理volumetric 数据并检测3D脑部异常，作者单位：icometrix, TUM, 鲁汶大学等

异常检测（AD）是识别不适合学习数据分布的数据样本。这样，AD系统可以帮助医生确定病理的存在，严重性和扩展性。可以利用诸如生成对抗网络（GAN）之类的深层生成模型来捕获解剖变异性。因此，可以以无监督的方式将任何异常值（即，样本落入学习的分布范围之外）检测为异常。通过使用这种方法，我们不仅可以检测到预期或已知的病变，甚至可以揭示以前无法识别的生物标记。据我们所知，本研究举例说明了第一种AD方法，该方法可以在一个模型中有效处理volumetric 数据并检测3D脑部异常。我们的提出是通过将最新的3D GAN与优化训练步骤相结合而获得的2D f-AnoGAN模型的体积和高细节扩展。在使用来自脑外伤（TBI）患者的非对比计算机断层扫描图像的实验中，该模型检测并定位了TBI异常，其ROC曲线下的面积约为75％。此外，我们测试了该方法检测其他异常（例如低质量图像，预处理不准确，伪影，甚至存在术后体征（例如颅骨切除术或脑部分流术））的潜力。该方法具有在大量成像数据集中快速标记异常以及识别新生物标记物的潜力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除