Reflect: 重述 纠正的 流 行为用于 E 效率大脑异常 C 校正 T 运输.pdfVIP

Reflect:重述纠正的流行为用于E效率大脑异常

C校正T运输。

FarzadBeizaee,SinaHajimiri,IsmailBenAyed,

GregoryLodygensky,ChristianDesrosiers,andJoseDolz

ÉTSMontreal,Canada

CHUSainte-Justine,UniversityofMontreal,Canada

farzad.beizaee.1@ens.etsmtl.ca

本

译摘要无监督异常检测（UAD）在脑成像中对于无需标记数据即可识别病

理至关重要。然而，由于大脑解剖结构的复杂性和异常样本的稀缺性，准

中确地定位异常仍然是一个挑战。在这项工作中，我们介绍了Reflect，这

1是一种利用校正流建立直接线性轨迹以纠正异常MR图像并使其趋向正常

v分布的新框架。通过学习一种直线、一步修正传输映射，我们的方法可以

9

8有效地纠正大脑异常，并通过检测异常输入与修正后对应物之间的差异来

8精确地定位异常。与基于扩散的UAD模型不同，后者需要迭代随机采样，

2

0校正流提供了一种直接传输映射，实现了单步推理。在流行的UAD脑分

.割基准上的广泛实验表明，Reflect显著优于最先进的无监督异常检测方

8

0法。代码可在/farzad-bz/REFLECT获得。

5

2

:Keywords:校正流·无监督异常检测·脑部MRI

v

i

x

r

a1介绍

脑部异常检测使用医学影像是一项在神经成像中至关重要的任务，对早

期诊断和治疗计划具有重大影响。诸如肿瘤、病灶或创伤性损伤等脑部异常

通常表现为结构上与正常解剖学的偏差。虽然用于定位异常的监督方法在许

多情况下是有效的，但它们依赖于大量的标注数据集，这些数据集成本高昂

且常常稀缺，特别是对于罕见异常情况。这导致了对无监督方法的兴趣日益

增长，在这些方法中，模型学习正常数据分布，并随后将偏离视为潜在异常。

近年来，生成模型已被广泛用于

基于重构的无监督异常检测（UAD）。初步尝试利用自动编码器（AEs）[2,3]

及其变体，包括变分自编码器（VAEs）[28,36]。生成对抗网络（GANs）[13]，

2F.Beizaeeetal.

包括AnoGAN[27]和f-AnoGAN[26]，也作为AE方法的有前景替代方案出

现。然而，这些方法倾向于过度拟合正常训练数据或产生模糊的重构结果。

归一化流（NFs）[31,24]是另一类生成模型，通过一系列可逆变换将一