机构名称：
¥ 1.0
病理性脑外观可能非常多样化，以至于只能理解为异常，这些异常由其与正常的偏差而不是任何特定的病理特征集来定义。在医学成像中最困难的任务之一中，检测此类异常需要正常脑模型，该模型将紧凑性与表征其结构组织的复杂、长程相互作用的表达性相结合。这些要求是 Transformer 比其他当前候选架构更有潜力满足的，但它们的应用受到对数据和计算资源的需求的限制。在这里，我们将矢量量化变分自动编码器的潜在表示与一组自回归 Transformer 相结合，以实现无监督异常检测和分割，这些异常由与健康脑成像数据的偏差定义，在相对适中的数据范围内以较低的计算成本实现。我们在一系列涉及合成和真实病理病变的 2D 和 3D 数据的实验中将我们的方法与当前最先进的方法进行了比较。在真实病变中，我们利用来自英国生物库的 15,000 名放射学正常参与者训练我们的模型，并在四种不同的脑 MR 数据集上评估其性能，这些数据集包括小血管疾病、脱髓鞘病变和肿瘤。我们展示了卓越的异常检测性能，无论是图像方面还是像素/体素方面，都无需后处理即可实现。这些结果引起了人们对 transformers 在这项最具挑战性的成像任务中的潜力的关注。© 2022 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）
使用 transformers 进行无监督脑成像 3D 异常检测和分割
主要关键词
相关文件推荐
