自主监督的多尺度切割和简单的蒙面注意力预测,用于肺CT扫描异常检测

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 在医学图像,特别是肺部CT扫描中检测异常是具有挑战性的,因为需要在没有事先了解异常类型的情况下识别微妙的局部异常.
• 现有的方法通常依赖于仅使用正常数据的训练,这可能会限制它们检测各种异常的能力.

研究的目的:

• 提出一种自我监督的框架,用于学习肺部CT扫描图像的可靠表示.
• 开发一种有效的分布外探测器,用于识别肺部CT扫描中的局部和微妙异常.
• 提高医学成像中异常检测的准确性和能力.

主要方法:

• 一个新的自我监督的框架,利用多个尺度的裁剪和掩盖的注意力预测,用于肺CT扫描图像表示学习.
• 引入CropMixPaste,这是一个自我监督的增强任务,用于生成密度影像类异常,增强局部不规则的检测.
• 开发一个简单的蒙面专注预测区块 (SMAPB),通过预测蒙面上下文信息来完善本地特征.

主要成果:

• 拟议的自我监督框架成功地学习了用于肺CT扫描异常检测的强大表示.
• CropMixPaste增强和SMAPB显著提高了模型检测局部和微妙不规则的能力.
• 在真实肺部CT扫描数据集上的实验结果表明,拟议的方法优于最先进的技术.

结论:

• 开发的自我监督框架为肺部CT扫描中异常检测提供了一种有效的方法.
• 结合CropMixPaste和SMAPB,可以更好地检测具有挑战性的局部异常.
• 这种方法为医学成像中的自动化分析和诊断提供了有前途的进步.