跳到正文
arXiv cs.AI· Alexandra G. Roberts, Tonmoy Hossain, Mark Olchanyi, Stefan Brandst\"atter, Jonathan Williams Ramirez, Ana Lawry Aguila, Matthew Rosen, Annabel Sorby-Adams, W. Taylor Kimberly, Juan Eugenio Iglesias·· 4 小时前AI 评分34

PathoDraw:面向合成先验与零样本检测的病理随机化生成模型

Pathology Randomization for Synthetic Priors and Zero-Shot Detection

AI 导读

PathoDraw 是一种带病理的脑 MRI 生成模型,将病灶条件分布绘入标签图后再做对比度无关渲染,并用单个 3D UNet 直接学习健康解剖与带符号强度偏差,在未用真实病理数据训练的情况下实现零样本检测。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:医院脑影像档案中保存着种类繁多的病理样本,其样本量超出前瞻性研究,尤其对于代表性不足的人群和疾病而言。为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的多种人类神经影像任务中提供了稳健的、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,一种带病理的脑 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。该对比度无关的 3D UNet 直接学习病灶下方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,尽管未在真实病理数据上训练。我们在近期一项无监督异常检测基准协议下,展示了在公开的卒中、肿瘤和白质高信号数据集以及存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。同一生成器还训练用于超分辨率和存在病理时的配准网络。我们的模型在采集和疾病方面均稳健,使未经整理的存档数据可用于临床分析。我们的代码可在 此 https URL 获取。
注释: 25 页,9 幅图,13 张表(8 页正文含附录)。代码:此 https URL
主题: 计算机视觉与模式识别(cs.CV);人工智能(cs.AI);图像与视频处理(eess.IV)
MSC 分类号: 68T45, 68T07, 92C55
ACM 分类号: I.4.6; I.4.3; I.2.6; J.3
引用为: arXiv:2611.21975 [cs.CV]
  (或 arXiv:2611.21975v1 [cs.CV] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.21975

arXiv 颁发的 DOI 经由 DataCite(待注册)

提交历史

来自:Alexandra Roberts [查看邮箱]
[v1] 2026 年 11 月 16 日星期一 22:58:56 UTC(10,384 KB)

来源:arXiv cs.AI · arxiv.org