在医疗图像中检测异常的不确定性意识原型学习
Chao Huang1, Yushu Shi2, Bob Zhang3
1PAMI Research Group, Department of Computer and Information Science, University of Macau, Taipa, 519000, Macao Special Administrative Region of China; Shenzhen Campus of Sun Yat-sen University, School of Cyber Science and Technology, Shenzhen, 518107, China.
概括
这项研究引入了一种新的概率和确定性模型,用于在医学图像中检测异常物体 (AOD). 该方法有效地处理了病变多样性和边界模糊性,提高了癌症诊断的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医学图像中的异常物体检测 (AOD) 对于早期癌症诊断至关重要.
- 现有的AOD模型与病变的多样性和模糊的界限作斗争.
- 单模式的AOD模型通常依赖于确定性映射,限制了它们的适应性.
研究的目的:
- 开发一个强大的AOD模型,解决病变多样性和医疗图像边界模糊性的挑战.
- 为增强异常检测引入一个概率和确定性框架.
- 通过先进的AOD,提高早期癌症诊断的准确性和可靠性.
主要方法:
- 设计了一个不确定性意识的原型学习框架,其中包含一个原型学习变压器 (Pformer) 用于损伤特征提取.
- 开发了贝叶斯神经不确定性定量器来建模输出分布和测量像素智能检测不确定性.
- 集成了一个以不确定性为指导的推理变压器 (Uformer),以利用异常模糊性进行集中检测.
主要成果:
- 拟议的UPformer方法在五个基准数据集中表现出卓越的性能.
- 该模型有效地处理了异常病变固有的多样性和模糊性.
- 不确定性量化提供了一个可靠的测量异常模糊性,指导检测过程.
结论:
- 开发的概率和确定性AOD模型显著提高了医学成像中异常病变的检测能力.
- 不确定性意识框架为改善早期癌症诊断提供了一个有希望的方向.
- 在复杂的医疗场景中,UPformer方法为AOD提供了更准确和可靠的方法.
