|本期目录/Table of Contents|

[1]胡显耀,靳聪明.基于扩散常微分方程的医学图像异常检测[J].浙江理工大学学报,2024,51-52(自科六):851-860.
 HU Xianyao,JIN Congming.Medical image anomaly detection based on diffusion ordinary differential equations[J].Journal of Zhejiang Sci-Tech University,2024,51-52(自科六):851-860.
点击复制

基于扩散常微分方程的医学图像异常检测()
分享到:

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第51-52卷
期数:
2024年自科第六期
页码:
851-860
栏目:
出版日期:
2024-11-10

文章信息/Info

Title:
Medical image anomaly detection based on diffusion ordinary differential equations
文章编号:
1673-3851 (2024)11-0851-10
作者:
胡显耀靳聪明
浙江理工大学理学院,杭州 310018
Author(s):
HU XianyaoJIN Congming
School of Science, Zhejiang Sci-Tech University, Hangzhou 310018, China
关键词:
异常检测扩散常微分方程神经网络医学图像异常定位
分类号:
TP391
文献标志码:
A
摘要:
为了识别与正常生理状态显著偏离的异常医学图像,基于异常图像相关特征往往分布于特征空间低密度区域的假设,提出了一种神经网络辅助的基于扩散常微分方程(Ordinary differential equations, ODE)的医学图像异常检测方法。该方法首先利用扩散ODE估计图像特征的似然值;然后构建神经网络,拟合图像特征在不同时刻由扩散ODE估计的似然值;最后通过扩散ODE估计的似然值和神经网络估计的似然值的加权平均得到异常分数,异常分数较大的图像被认定为异常图像。此外,为了确定异常图像的异常区域,提出了一种基于图像重构的异常定位方法,通过计算重构误差来定位异常区域。在BraTS2021脑肿瘤数据集和X射线胸透数据集上进行数值实验,结果表明该异常检测方法的异常检测性能大幅优于现有方法,且具有较好的鲁棒性。该研究提出的无监督医学图像异常检测方法和异常区域定位方法可为临床诊疗提供丰富的信息支持,有望减轻医生的工作量。

参考文献/References:

[1]Schlegl T, Seebck P, Waldstein S M, et al. F-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks[J]. Medical Image Analysis, 2019, 54: 30-44.
[2]Wyatt J, Leach A, Schmon S M, et al. AnoDDPM: Anomaly detection with denoising diffusion probabilistic models using simplex noise[C]∥2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). New Orleans, LA, USA. IEEE, 2022: 649-655.
[3]Mousakhan A, Brox T, Tayyub J. Anomaly detection with conditioned denoising diffusion models. (2023-12-03)[2024-07-01]. http:∥arxiv.org/abs/2305-15956.
[4]Behrendt F, Bhattacharya D, Krüger J, et al. Patched diffusion models for unsupervised anomaly detection in brain MRI[C]∥Medical Imaging with Deep Learning. Paris ,France: PMLR, 2024: 1019-1032.
[5]Sch lkopf B, Platt J C, Shawe-Taylor J, et al. Estimating the support of a high-dimensional distribution[J]. Neural Computation, 2001, 13(7): 1443-1471.
[6]Tax D M J, Duin R P W. Support vector data description[J]. Machine Learning, 2004, 54(1): 45-66.
[7]Ruff L, Vandermeulen R, Goernitz N, et al. Deep one-class classification[C]∥International Conference on Machine Learning. Stockholmsm ssan, Stockholm Sweden. PMLR, 2018: 4393-4402.
[8]Li C L, Sohn K, Yoon J, et al. CutPaste: Self-supervised learning for anomaly detection and localization[C]∥2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Nashville, TN, USA. IEEE, 2021: 9659-9669.
[9]Liu Z K, Zhou Y M, Xu Y S, et al. SimpleNet: A simple network for image anomaly detection and localization[C]∥2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver, BC, Canada. IEEE, 2023: 20402-20411.
[10]邢鹏, 蒋鑫, 潘永华, 等. 基于特征约束蒸馏学习的视觉异常检测[J]. 软件学报, 2023, 34(9): 4378-4391.

备注/Memo

备注/Memo:
收稿日期: 2024-05-17
网络出版日期:2024-09-30
基金项目: 国家自然科学基金项目(11571314)
作者简介: 胡显耀(1999—),男,安徽合肥人,硕士研究生,主要从事深度学习等方面的研究
通信作者: 靳聪明,E-mail:jincm@zstu.edu.cn
更新日期/Last Update: 2024-11-14