脑病:无监督的神经疾病检测利用未注释的T1加权脑MRI图像

科学领域:

• 医学成像分析分析 医学成像分析
• 深度学习用于异常检测检测.
• 神经科学和神经成像技术

背景情况:

• 获取大型注释医疗数据集用于深度学习是具有挑战性和昂贵的,特别是对于罕见疾病.
• 无监督的异常检测方法减少了注释工作,但在神经图像上通常表现不佳.
• 现有的方法无法有效地利用未注释的混合数据集 (健康和疾病) 来治疗神经疾病.

研究的目的:

• 开发一种针对神经图像的无监督神经疾病检测方法.
• 为了提高异常检测的性能,使用未注释的混合数据集.
• 在没有注释数据的情况下,引入一种新的模型选择指标.

主要方法:

• 提出了Brainomaly,一个基于生成对抗网络 (GAN) 的图像对图像翻译框架.
• 使用未注释的数据集,包含健康和患病的受试者.
• 引入了一个伪曲线下面面积 (AUC) 度量,用于推断期间的模型选择.

主要成果:

• 脑异常显著超过了最先进的无监督异常检测方法.
• 在检测阿尔茨海默病和头痛方面表现出卓越的表现.
• 废弃性研究证实了拟议成分的有效性.

结论:

• 脑病理为无监督的神经疾病检测提供了一个强大的解决方案,特别是当注释数据稀缺时.
• 该方法的定制图像对图像翻译和混合数据的使用提高了检测准确性.
• 伪AUC指标有助于对现实世界的应用进行可靠的模型选择.