MAD-AD：掩码扩散用于无监督脑部异常检测-计算机科学-机器学习-无监督异常检测-医学影像.pdfVIP

MAD-AD：掩码扩散用于无监督脑部异常检测

FarzadBeizaee,GregoryLodygensky,ChristianDesrosiers,and

JoseDolz

ÉTSMontreal

CHUSainte-JustineHospital,Montreal

UniversityofMontreal

摘要无监督脑图像异常检测对于在没有标签的情况下识别损伤和病理至

本关重要。然而，由于大脑结构的内在复杂性和变异性以及标记异常数据的稀

译缺性，在医学图像中准确定位异常仍然具有挑战性。为了解决这一挑战，我

们提出了一种新的方法，该方法将掩码融入扩散模型中，并利用其生成能力

中学习稳健的大脑正常解剖表示。在训练过程中，我们的模型仅处理正常的脑

3部MRI扫描，并执行一个前向扩散过程，在潜在空间中对随机选择的补丁

v

3特征添加噪声。遵循双重目标，模型学会识别哪些补丁是带有噪声的并恢复

4它们的原始特征。这一策略确保模型捕捉正常大脑结构的复杂模式，同时将

9潜在异常作为潜在空间中的噪声隔离。在推理阶段，该模型识别出对应于异

6

1常的带噪声补丁，并通过应用反向扩散过程为这些补丁生成一个正常的对

2.应部分。我们的方法超越了现有的无监督异常检测技术，在生成准确的正常

0对应物和定位异常方面表现出色。代码可在h/farzad-

5bz/MAD-AD获得

2

:

v

iKeywords:无监督异常检测·脑部MRI·扩散。

x

r

a

1介绍

脑部异常在医学影像中的准确检测和定位，尤其是在磁共振成像（MRI）

数据中，对于诊断和理解神经损伤及病理至关重要。然而，大脑结构的复杂

性和标记异常数据的稀缺性，在开发稳健且通用的解决方案方面构成了重大

挑战。传统上，脑部异常检测被视为一个监督学习任务，其目标是识别诸如

脑肿瘤[15,18,36]、萎缩[29]或白质高信号[20,22]等定义明确的病理情况等。

然而，将异常检测视为监督问题引入了针对靶向病变的固有偏差，限制了可

Correspondingauthor:farzad.beizaee.1@ens.etsmtl.ca

2F.Beizaeeetal.

Training:BCEloss

Random

Mask(M)~MaskPr