基于卷积自编码器的脑MRI无监督异常检测算法研究

来源 :浙江大学 | 被引量 : 0次 | 上传用户:wenhao
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
作为中枢神经系统的核心,大脑是人类区别于其他物种的重要部分,而大脑发生异常或者病变会对人的基本生存能力造成重大影响甚至死亡。在大脑或者脊髓组织中产生病变细胞的疾病称为脑瘤,其患者五年生存率仅约为35%,但是脑内组织边界模糊,病变(异常)区域和正常组织难以界定。脑病变的判定以及病变区域的定位是进一步治疗和诊断的前提,然而医生去完成这些工作不仅仅需要丰富的行医经验和医学专业知识,而且还需要投入大量的时间和精力。虽然目前已经有一些研究工作致力于大脑的自动化辅助诊断(如脑瘤分割,脑瘤分类等),但这些方法极度依赖于大量的数据,而脑医学数据具有稀缺性、不平衡性、多样性、标注成本极高等不同于其他普通数据的特点,这使得数据成为了限制自动化医学辅助诊断相关技术发展的主要瓶颈。为了能够减少对数据及其标注的依赖,同时充分利用医学数据中健康人群数据容易获取的特点,本文提出了基于卷积自编码器的脑MRI无监督异常检测算法。本文主要利用卷积自编码器作为基础模型,采用无监督学习的方式,实现脑MRI异常的检测及定位,具体来说,该算法在训练的过程中只见过正常大脑的MRI影像,但是其可以在测试过程中区分正常大脑和异常大脑MRI影像且具有一定的异常定位能力。该算法是基于重构的假设,主要假设是算法在训练过程中完成对正常大脑数据分布的建模,由于算法只学会了对正常大脑进行重构,所以在测试阶段它只能很好地重构正常大脑的MRI影像,而不能很好地重构异常大脑的MRI影像,通过重构图像与原图像的残差实现异常检测。本文的主要工作如下:1)根据无监督异常检测的设定,收集并构建了脑MRI影像无监督异常检测数据集Brain AD,完成对脑MRI影像的分析和预处理;2)基于卷积自编码器的脑MRI影像异常检测算法研究,探索基于重构的异常检测算法在脑MRI影像中应用;3)基于记忆增强的卷积自编码器的脑MRI影像异常检测算法研究,探索记忆网络对正常样本典型模板特征提取的有效性和对脑MRI影像异常检测性能的影响;4)基于对抗学习和记忆增强的卷积自编码器的脑MRI影像异常检测算法研究,探索对抗学习捕获数据分布的有效性和低维度的对抗学习表征对脑MRI影像异常检测性能的影响。实验结果显示,基于卷积自编码器的脑MRI无监督异常检测算法在没有使用异常脑MRI影像参与训练的情况下,依然可以有效地实现正常大脑和异常大脑MRI影像的区分。
其他文献
人体行为识别技术在智慧城市安防、视频检索、人机交互、无人便利超市等领域中有诸多应用,其重要性日益突出。如何有效地对视频序列信息进行时空建模是人体行为识别任务中的一个关键点。许多研究为了更好地对视频序列进行时空建模,采取三维卷积并结合光流等其他运动补充信息的方法,但忽略了所带来的网络难以优化、网络规模与计算量增加的问题。此外,在面临不同行为实例的持续时间长短不一的问题时,许多研究简单地堆叠局部感受野
[db:内容简介]
信息技术的快速发展和广泛应用,为机关档案管理模式创新提供了重要支持,特别是机关数字档案室建设成为其重要目标和内容,但也对机关数字档案信息安全提出了严峻挑战。文章分析了机关数字档案管理的特点,针对机关数字档案室建设中的安全风险点,提出具体安全管理策略,为机关数字档案室信息安全体系建立提供参考。
车辆重识别技术是安防、监控视频分析与理解的基础技术,也是构建天网工程、平安城市的重要环节。根据训练数据是否含有人工手动标注的标签,可将车辆重识别问题分为全监督车辆重识别问题和无监督车辆重识别问题。全监督车辆重识别任务面临着近相似的问题,本文针对该问题,设计并实现了一种基于局部特征和属性信息的全监督车辆重识别方法。与此同时,无监督车辆重识别任务面临着数据集歧视和难以训练的问题,为了解决以上两项问题,
CT图像肺部气管和血管分割对于肺部疾病的诊疗具有重要的研究意义。传统的分割方法基于边界、区域或特定模型进行图像处理,针对肺部密布的血管丛或气管树分割任务,必须依赖大量的人机交互才能提升分割精度。为保障自动分割精度,并提升分割效率,近年来深度神经网络作为特征提取工具逐渐在肺部血管或气管自动分割中得到应用,但因其效果受标注数据质量和规模的严重影响,限制了此类方法的推广。为解决这一问题,本文提出一种基于
稠密高程地图构建对于移动机器人星面探测、野外搜索等任务应用有着重要的作用,但是稠密地图构建存在数据量大、计算量大的难点,这对大范围地图存储和实时地图更新带来了巨大的挑战。本文基于2.5D稠密高程地图表示形式,提出了带有可行域信息的局部稠密高程地图快速构建系统、满足回航需求的可扩展全局一致的全局稠密高程地图在线构建系统和利用稠密高程地图的地点重识别融合网络。主要研究成果如下:1.设计了一种带有可行域
面向工业巡检的数字仪表读数识别普遍利用人工识别并记录仪表读数信息的方式,然而人工方式记录读数是影响工厂生产效率的重要因素。当工厂使用人工抄表,不可避免出现记录错误读数,耗时长等问题。因此,利用巡检设备自动优化记录过程,提高生产效率,并为记录读数提供准确保障。本文分析了工业巡检中数字仪表读数识别的影响因素,并根据工业巡检的功能和性能需求,设计了一种能够实现工业数字仪表读数实时识别的方案。本文利用巡检
作为机械臂操作的“圣杯”问题,无序抓取应用场景广泛,而稳定快速的物体识别和位姿估计算法则是该问题中的关键之一。本文针对无序抓取场景,应用基于物体渲染的样本合成方法,在已知物体CAD模型的基础上,合成大量训练数据,构造虚拟数据集,采用Mask R-CNN网络实现了堆叠场景的多工件识别与分割。在获取单目标工件数据后,提出了基于点对特征的改进算法,并且针对传统算法实时性差的问题,提出了基于深度学习的密集
河流作为水环境中的重要组成部分,在供给水源、维持生态、美化景观等诸多方面扮演着不可或缺的角色。但是,目前人类活动和自然因素导致河面频繁出现大量漂浮物,严重破坏了河道景观和水生态环境,已成为河道监管中重点关注的问题。在国内各省市全面推行落实“河长制”政策的背景下,很多地方开始采用摄像头进行河湖可视化监管以促进河湖面貌改善,但是人工参与程度依然较高,单纯依靠人力观看大量的监控资料来判断河湖状况。在这种
推荐系统的发展离不开大规模高质量的数据,多家相关企业往往会以数据直接共享的方式提升推荐系统效果。但随着用户数据隐私意识的提高和数据保护法规的完善,多方参与的推荐系统的数据隐私安全问题受到越来越多的关注。本文针对多方参与的推荐系统的数据隐私保护存在的问题,利用联邦学习技术提出了一种高效的基于纵向联邦学习的推荐系统,在提高多方参与的推荐系统数据隐私安全性的同时也极大的降低了引入隐私保护技术的代价。本文