编码-解码对比用于在医学图像中无监督检测异常.

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 无监督异常检测 (UAD) 在医学成像中利用正常图像来识别异常,避免对不健康样本进行昂贵的标签.
• 目前的UAD方法通常使用在自然图像上预训练的编码器,导致医疗应用中的域不匹配和模式崩问题.
• 优化编码器可能会导致模式崩,限制现有的UAD技术的有效性.

研究的目的:

• 提出一种新的无监督异常检测 (UAD) 方法,即编码解码对比 (EDC),用于医学图像分析.
• 解决当前UAD方法中域特定特征提取和模式崩的局限性.
• 开发一种方法,优化整个网络的目标医疗领域,提高异常检测性能.

主要方法:

• 引入了编码器-解码器对比 (EDC),一种优化整个网络的UAD方法,包括编码器和解码器,用于医疗图像分析.
• 集成了一个对比式学习范式,以减轻在同时编码器和解码器优化期间的模式崩.
• 将整体性纳入对比的目标功能,以提高稳定性和性能.

主要成果:

• 拟议的EDC方法在四种不同的医学成像模式中表现出卓越的性能:光学连贯性断层扫描,色底图像,大脑MRI和皮肤损伤图像.
• 在进行的实验中,EDC的性能超过了当前所有最先进的无监督异常检测方法.
• 该方法有效地减少了预先训练的自然图像域的偏差,并将网络定向于目标医疗图像特征.

结论:

• 编码-解码对比 (EDC) 为医学成像中无监督异常检测提供了强大而有效的解决方案.
• 提出的方法克服了现有的UAD技术的关键局限性,特别是域不匹配和模式崩.
• 在各种医学成像应用中,EDC为自动化分析和诊断提供了有希望的进步.