PatchCL-AE:使用基于补丁智能对比学习的自动编码器检测医疗图像的异常

科学领域:

• 医学图像分析 医学图像分析
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 在医学成像中检测异常至关重要,但具有挑战性.
• 基于重建的方法受到像素级损失依赖的限制.
• 现有的方法难以准确地定位异常.

研究的目的:

• 开发一种先进的医学异常检测方法.
• 克服基于重建的方法的局限性.
• 为了提高检测到的异常的准确性和定位.

主要方法:

• 提出了一个基于学习的自动编码器.
• 引入了用于本地语义监督的补丁智能对比学习损失.
• 根据本地语义差异设计了一个异常得分.

主要成果:

• 在三个公共数据集 (脑MRI,视网膜OCT,胸部X射线) 上实现了最先进的性能.
• 在视网膜和大脑图像上显示超过99%的曲线下面面积 (AUC).
• 该方法有效地学习了当地的正常特征,并提高了异常地区的区分能力.

结论:

• 补丁明智的对比监督增强了当地语义的学习.
• 补丁差异得分准确地确定了异常.
• 拟议的方法为医学异常检测提供了有针对性的进展.