Advanced Unsupervised Brain MRI Segmentation Through the Integration of Autoencoders and GANs for Anomaly Detection
Notice bibliographique
Résumé
Identifying brain abnormalities via Magnetic Resonance Imaging (MRI) scans is pivotal when considering such conditions as multiple sclerosis (MS) and gliomas. Medical imaging segmentation techniques are often reliant on large volumes of annotated data, which is usually expensive and time consuming to accumulate. This study proposed an unsupervised detection for both anomaly detection and segmentation of brain MRI segmentations primarily using autoencoders (AEs), variational autoencoders (VAEs) or Generative Adversarial Networks (GANs), while at the same time reducing the need for labelled datasets. In this context, these machines are trained on MRI scans of healthy brains, to understand the anatomical structures and patterns that are considered normal, so that the models can identify an abnormality by observing an anomalous behaviour or change to what was previously thought to be normal. The methodology used these models to segment brain MRI scans to identify anomalies or differences in the abnormal brain MRI scans compared to their normal structure from the training set. A comparative study was undertaken across three MRI datasets with images from healthy patients, MS lesions and glioma. The three deep learning models of AE, VAE and f-AnoGAN (a GAN approach to anomaly detection) were evaluated. The experimental results indicated that the VAE recorded a segmentation accuracy (of import) of 91.8% for all MRI images analysed, while the f-AnoGAN model recorded an accuracy of 85.2% when identifying an abnormality in MRI images scans. Additionally, both the VAE and f-AnoGAN models outperformed the traditional autoencoder, which failed to detect the anamoly. As such, the models offer viable options for aiding clinicians diagnose neurological diseases as well as simplifying MRI segmentation procedures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».