基于生成式修复技术的异常检测方法在CT肝脏肿瘤检测中的应用

《IEEE Transactions on Radiation and Plasma Medical Sciences》：Generative Inpainting-Based Anomaly Detection for CT Liver Tumor Detection

基于生成式AI的CT图像肝肿瘤检测方法通过图像补全与异常评分提升诊断准确率，在两个数据集上验证AUC提升7.9%。

　　

摘要：

CT是肝脏疾病成像的主要方法，对于检测和定位肝脏肿瘤具有重要价值。传统的异常检测方法通过分析重建图像来识别病理结构。然而，这些方法可能会产生次优的结果，忽略了不同组织类型之间的细微差异。为了解决这一挑战，我们在这里采用了生成式人工智能来对肝脏图像进行修复，作为异常检测的参考。具体来说，我们使用自适应阈值提取异常区域的掩码，然后利用扩散算法对这些区域进行修复，最后根据原始CT图像与修复后图像之间的差异计算异常得分。我们的方法已在两个肝脏CT数据集上进行了测试，结果显示检测准确性显著提高，曲线下面积（AUC）比现有最先进技术提高了7.9%。这一性能提升凸显了我们该方法在改进肝脏疾病放射学评估方面的潜力。

引言

肝癌是全球男性癌症死亡的第二大原因，五年生存率低于18% [1]、[2]。尽管存在电离辐射暴露的风险，但由于CT能够提供详细的断层图像、相对较低的成本以及较高的扫描速度 [3]，它仍然是主要的诊断工具。在这种情况下，CT图像分析面临诸多挑战，包括人体解剖结构和病理学的复杂性及细微差别、组织性质的多样性以及噪声的存在 [4]。因此，这一过程在很大程度上依赖于放射科医生的主观判断，可能会影响诊断的准确性和一致性 [5]。此外，识别肿瘤需要放射科医生仔细分析每一张CT切片，这既繁琐又耗时 [6]。几十年来，计算机辅助诊断（CAD）系统一直在积极开发中 [7]、[8]。这些系统能够自动化肿瘤的检测和定位，帮助放射科医生提高诊断效率 [9]。