同位体噪声和多阶段扩散:在医学图像中进行无监督异常检测的新方法
Yuan Bi1, Lucie Huang1, Ricarda Clarenbach2
1Computer Aided Medical Procedures, Technical University of Munich, Munich, Germany; Munich Center of Machine Learning, Munich, Germany.
Medical image analysis
|August 1, 2025
概括
这项研究引入了一种新的无监督方法,用于检测医疗图像中的异常,使用具有合成异常的扩散模型. 该方法有效地识别和细分异常而不需要专家注释,优于现有方法.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在医学成像中检测异常对于识别病理至关重要,但由于有限的专家注释和复杂的解剖学,它面临着挑战.
- 完全监督的细分模型需要大量的标记数据,这往往是稀缺和昂贵的获取.
研究的目的:
- 为医疗图像开发一种新的无监督异常检测框架.
- 克服医疗图像分析中的数据稀缺性和注释要求的局限性.
- 为了提高不同成像模式中的异常检测的准确性和可解释性.
主要方法:
- 提出了基于扩散模型的无监督异常检测框架,其中包含了合成异常 (Synomaly) 噪声功能.
- 实施了多阶段的扩散过程,以逐步消除异常和高准确度重建无异常图像.
- 仅在健康图像上训练模型,消除了对异常样本和像素级注释的需求.
主要成果:
- 与最先进的无监督异常检测方法相比,拟议的框架在脑MRI,肝脏CT和带超声数据集中表现出卓越的性能.
- 取得的性能与 carotid 超声波数据集上的完全监督模型相提并论.
- 废除研究证实了Synomaly噪声和多阶段扩散过程对异常细分精度的显著贡献.
结论:
- 开发的无监督框架为医疗异常检测提供了强大而有效的注释解决方案.
- 生成的高准确度反事实健康图像提高了模型的解释性,并支持临床决策.
- 这种方法具有很大的潜力,可以作为医学图像分析中传统监督方法的替代方案.
