面向合成先验与零样本检测的病理随机化
Pathology Randomization for Synthetic Priors and Zero-Shot Detection
预印本 · 尚未经过同行评审
PathoDraw 生成带病灶的脑 MRI,无需真实病理训练即可零样本检测卒中、肿瘤等异常。
医院脑影像档案在样本量上超过前瞻性研究,涵盖多种多样的病理,尤其是针对代表性不足的人群和疾病。为了解锁未经整理的临床数据并实现规模化分析,需要能够在不同对比度和分辨率下检测异常的方法。合成数据已在健康解剖结构上为多种人类神经影像任务提供了稳健的、对比度无关的模型,但临床环境中的病理检测及其他任务仍需要真实患者数据、对比度特异性模型或疾病特异性生成器。我们提出 PathoDraw,一个带病理的脑 MRI 生成模型。在对比度无关渲染之前,将病灶以健康解剖结构为条件的分布绘制到标签图中,并由单一网络估计健康解剖结构以及任意输入扫描的精确带符号强度偏差。对比度无关的 3D UNet 直接学习病灶下的健康标签和带符号偏差,并通过稳健的组织统计量和学习到的特征识别病理,尽管从未在真实病理上训练。我们在近期无监督异常检测基准协议下,展示了在公开卒中、肿瘤和白质高信号数据集以及归档临床数据上的零样本检测,涵盖不同分辨率下的 $T_1$w、FLAIR 和 $T_2$w。我们的单一模型超过或媲美在真实扫描上训练的对比度特异性异常检测器,并保持健康解剖结构完整。同一生成器还为超分辨率和存在病理时的配准训练网络。我们的模型在采集和疾病方面均稳健,使得未经整理的归档数据可用于临床分析。我们的代码可在 https://github.com/agr78/Pathology-Randomizer 获取。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Image and Video Processing · arxiv.org