跳到正文
arXiv · 机器人与计算机视觉· Tania Haghighi, Sina Gholami, Behafarin Emam, Jennifer I Lim, Theodore Leng, Atalie C Thompson, Hamed Tabkhi, Minhaj Nur Alam·· 23 天前AI 评分42

Learning Pathology-Sensitive Representations for Unsupervised Retinal OCT Anomaly Detection 提出无需疾病标注的框架,通过解剖感知重建与合成结构扰动提升罕见异常检测灵敏度。

Learning Pathology-Sensitive Representations for Unsupervised Retinal OCT Anomaly Detection

AI 导读

该研究针对视网膜 OCT 深度学习依赖预定义类别导致罕见异常漏检的问题,引入无需疾病特定标注的非监督框架。实验表明,将预训练表示适配至正常视网膜结构能显著提升异常敏感度,像素空间重建误差与特征空间偏差为识别病理变化提供互补信号。该方法通过解剖感知表征学习,为超越预定义疾病类别的通用视网膜异常检测提供了新见解。

来源:arXiv · 机器人与计算机视觉 · arxiv.org