机构名称：
¥ 9.0
人类大脑和中枢神经系统的解剖成像是当今诊断和治疗各种神经系统疾病的基本组成部分。为了将症状与神经系统病因联系起来，放射科医生会分析磁共振成像 (MRI) 等设备提供的高分辨率可视化图像，并尝试识别异常结构。这种手动过程不仅繁琐、耗时且成本高昂，而且容易出现人为错误：根据大量研究，多达 5-10% 的图像中仍未发现病变。最近，通过机器学习领域的进步（即所谓的监督式深度学习方法），在自动计算机辅助分析大脑 MRI 方面取得了突破，其表现与人类专家相当甚至更好。然而，这些方法需要付出代价：这种深度人工神经网络需要从大量经过仔细注释的良性和患病病例样本中进行训练，因此需要人工整理，因此需要宝贵的专家人力资源。此外，这些方法无法保证能够识别训练数据中不存在的病理。本论文中提出的研究重点是克服这些负担，并强调了从监督深度学习范式走向无注释、无监督方法的道路。这包括 i) 半监督概念，可以利用带注释和未标记的数据来提高基于深度学习的方法的泛化能力，以及 ii) 无监督异常检测框架，这些框架根本不需要手动标记病理。后者的贡献采用深度表示学习、生成建模和图像到图像转换技术来构建正常解剖模型，从而可以将脑 MRI 中的异常识别为分布异常值。这样，与监督方法相反，得到的模型不是病理特定的。进一步强调以高分辨率对健康大脑分布进行建模，以便能够检测和描绘特别小的脑病变。最终，结果表明，上述监督和非监督技术的融合产生了一种有效的自学框架，可用于脑损伤分割。该框架还概述了一种将基于深度学习的异常检测融入日常临床工作的潜在且廉价的方法。虽然这些概念已在脑部 MRI 上得到验证，但肯定可以转化为其他成像方式和解剖学部分（例如 CT、X 射线），为将深度学习融入放射学开辟了巨大的机会。
脑部 MRI 中的异常检测：从监督到……
主要关键词
相关文件推荐
