针对医学图像的基于GAN的反歧视性异常检测框架

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 自动异常检测对于疾病查和质量控制等医疗应用至关重要.
• 由于专家标记异常样本的稀缺性,需要有效的标签方法.
• 生成对抗网络 (GAN) 经常通过重建正常图像来用于异常检测,但生成的输出可能与正常数据分布不完全匹配.

研究的目的:

• 开发一种新的生成对抗网络 (GAN),以改善医疗图像中的异常检测.
• 解决现有的基于GAN的方法的局限性,即生成的正常图像可能不准确地代表真实正常数据分布.
• 利用未标记的数据来提高异常检测系统的性能.

主要方法:

• 引入一个反歧视性的生成对抗网络 (CD-GAN).
• 在GAN框架内集成了一种新的对比学习模块,以将生成的图像分布与正常图像分布对齐.
• 培训和评估使用未标记的图像指导生成过程.

主要成果:

• CD-GAN显著超过了最先进的异常检测方法.
• 在四个公共和一个现实世界的临床医学图像数据集中表现出卓越的性能.
• 对比学习模块有效指导生成过程,以更好地表示正常图像分布.

结论:

• CD-GAN提供了一种强大的方法,用于在医学成像中进行标签效率高的异常检测.
• 该方法在各种医学图像异常检测任务中表现出竞争力.
• 这种方法提高了使用未标记数据来区分正常和异常样本的能力.