在医学成像中用于可解释异常检测的生成建模:在故障检测和数据修复中的应用
McKell E Woodland1,2, Mais Altaie1, Caleb S O'Connor1
1Departments of GI Radiation Oncology, Imaging Physics, Interventional Radiology, and Radiation Oncology, The University of Texas MD Anderson Cancer Center, Houston, TX 77030, USA.
Bioengineering (Basel, Switzerland)
|October 29, 2025
概括
使用StyleGAN2的生成模型有效地检测医疗图像中的异常,提高AI故障检测的解释性,并帮助像胸部X射线14这样的数据集的大规模数据策划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 医疗成像中的AI系统需要强大的故障检测和高效的数据处理.
- 生成模型为异常检测和解释性提供了潜力.
研究的目的:
- 为了提高AI故障检测解释性,利用生成建模.
- 在大型医疗图像存储库中利用生成模型来改进数据策划.
主要方法:
- 使用CT扫描和胸部X射线14放射图的回顾性研究.
- StyleGAN2网络模拟了训练数据的分布.
- 通过图像重建得分 (MSE,WD) 和AUROC分析进行异常检测.
主要成果:
- 生成模型成功地检测到未见的数据中的异常属性 (针头,).
- 故障检测的平均AUROC为0.86 (±0.13),数据策划的平均AUROC为0.82 (±0.11).
- 观察到异常的精确定位 (81%±13%) 和MSE/WD指标的差异性表现.
结论:
- 生成型模型显示了可解释AI故障检测的前景.
- 这种方法促进了无监督的异常检测,并有助于大规模的医疗数据策划.
