UMIAD-EGMF:基于边缘引导和多尺度流量融合的无监督医疗图像异常检测
Zhirong Li1, Guangfeng Lin2, Dou Zhang1
1Information Science Department, Xi'an University of Technology, Xi'an, 710048, Shaanxi Province, China.
Visual computing for industry, biomedicine, and art
|March 1, 2026
概括
本研究引入了一种用于医学图像异常检测的新无监督方法,通过专注于边缘细节和多尺度特征来提高准确性. 这种新的方法提高了医学扫描中罕见异常的识别.
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:
- 医疗图像异常检测的监督学习受到异常的稀有性和复杂性的阻碍,导致标记数据的稀缺性.
- 现有的无监督异常检测方法往往会产生模糊边缘的结果,并与不同尺度的异常区域作斗争.
研究的目的:
- 为医疗图像异常检测提出一种新的无监督方法,以解决当前方法的局限性.
- 通过利用边缘信息和多尺度特征融合,增强罕见和复杂异常的检测.
主要方法:
- 开发了基于边缘指导和多尺度流量融合 (UMIAD-EGMF) 的无监督医疗图像异常检测.
- 整合了一个边缘指导模块 (EGM) 来捕获和增强边界细节.
- 利用边缘聚合模块将边缘信息集成到更深层次的功能中.
- 采用多尺度的特征融合来捕捉各种异常特征.
主要成果:
- 与最先进的方法相比,UMIAD-EGMF在乳房超声波 (BUSI),大脑MRI和头部CT数据集上表现出卓越的性能.
- 在BUSI数据集上实现了AUPRO分段的63.36%,在MLFEU-net上表现比0.01%.
- 在脑MRI数据集上达到90.83%的AUPRO细分,超过MLFEU-net的0.33%.
- 在头部CT数据集上获得了62.24%的AUPRO细分,超过MedMAE的2.37%.
结论:
- UMIAD-EGMF有效地挖掘了丰富的边缘信息,并进行了尺度调整,以改进异常检测.
- 该方法成功地捕获了异常边界周围的上下文信息,并集成了多个尺度的特征.
- 拟议的方法为医学成像中无监督异常检测提供了一个有希望的解决方案,特别是对于罕见和复杂的异常.