使用异质自动编码器检测医学图像的异常检测

科学领域:

• 医学图像分析分析
• 医疗保健中的人工智能
• 深度学习用于异常检测检测.

背景情况:

• 在医学成像中检测异常对于减少对大型标记数据集的依赖至关重要.
• 现有的像素智能自我重建方法与过度拟合和不良的重建结果作斗争.
• 挑战包括学习身份映射和处理异常检测中的像素智能差异.

研究的目的:

• 为改善医疗异常检测提出一种新型异质自动编码器 (Hetero-AE).
• 为了解决现有方法的局限性,例如过度装配和对像素智能噪声的敏感性.
• 提高不同医学成像模式中异常检测的准确性和可解释性.

主要方法:

• 使用一个异质的自动编码器 (Hetero-AE) 与一个CNN编码器和一个混合CNN-变压器解码器.
• 引入了一个多尺度的稀疏变压器块,以平衡特征依赖模型和计算成本.
• 实现多级特征比较,以最大限度地减少像素比较带来的噪声.

主要成果:

• 在四个公共数据集中证明了有效性:视网膜OCT,胸部X射线,大脑MRI和COVID-19.
• 在脑MRI中准确检测到瘤,在视网膜OCT中检测到病变.
• 生成可解释的热图,以精确地定位异常,帮助临床诊断.

结论:

• 拟议的Hetero-AE模型为各种医学成像模式中的异常检测提供了一个强大的解决方案.
• 不同质的架构和新的变压器块有效地学习正常数据特征并突出异常.
• 该方法为临床医生提供了宝贵的工具,通过准确检测和定位异常,支持高效的诊断.