利用结构保持噪声生成和多尺度双专家集成进行无监督脑部异常检测

《IEEE Journal of Biomedical and Health Informatics》：Unsupervised Brain Anomaly Detection Using Structure-Preserving Noise Generation and Multi-Scale Dual-Expert Ensembles

针对早期脑异常检测中专家标注数据不足及传统自编码器区分困难的问题，提出基于跨模态CutMix的结构保留噪声生成方案，结合双专家去噪自编码器和解剖学感知的双向一致性损失，有效提升异常区域重建误差并抑制健康区域误报，实验验证其有效性及泛化能力。

　　

摘要：

早期检测脑部异常对于患者的预后和康复至关重要，但获取专家标注的数据颇具挑战性，尤其是对于临床上无明显症状的早期脑部异常。无监督的脑部异常检测方法通过建模正常脑部结构来识别异常区域，因其高效性而受到关注。然而，正常脑部结构的固有变异性以及与正常组织极为相似的细微异常给传统自动编码器在区分异常方面带来了困难。为了提升模型的性能，研究人员探索了去噪自动编码器（DAE）技术，但其效果取决于有效的噪声生成策略。在本文中，我们提出了一种基于跨模态CutMix技术的新型噪声生成方案，旨在在保持脑部解剖结构的同时增加噪声模式的多样性。为增强DAE学习的鲁棒性，我们采用了一种集成方法，该方法结合了两种不同粒度的噪声。这种双专家机制能够有效放大异常区域的重建误差，并减少健康区域的误报。此外，我们还提出了一种具有解剖学感知能力的双向一致性损失函数，通过使用超像素进行解剖结构识别和双向知识传递来实现高保真度的区域重建。在两种不同环境下的广泛实验验证了所提出方法的有效性和泛化能力。