Spatial–contextual variational autoencoder with attention correction for anomaly detection in retinal OCT images

异常检测 自编码 计算机科学 异常(物理) 人工智能 模式识别(心理学) 公制(单位) 特征(语言学) 计算机视觉 深度学习 物理 语言学 运营管理 哲学 经济 凝聚态物理
作者
Xueying Zhou,Sijie Niu,Xiaohui Li,Hui Zhao,Xizhan Gao,Tingting Liu,Jiwen Dong
出处
期刊:Computers in Biology and Medicine [Elsevier]
卷期号:152: 106328-106328 被引量:1
标识
DOI:10.1016/j.compbiomed.2022.106328
摘要

Anomaly detection refers to leveraging only normal data to train a model for identifying unseen abnormal cases, which is extensively studied in various fields. Most previous methods are based on reconstruction models, and use anomaly score calculated by the reconstruction error as the metric to tackle anomaly detection. However, these methods just employ single constraint on latent space to construct reconstruction model, resulting in limited performance in anomaly detection. To address this problem, we propose a Spatial-Contextual Variational Autoencoder with Attention Correction for anomaly detection in retinal OCT images. Specifically, we first propose a self-supervised segmentation network to extract retinal regions, which can effectively eliminate interference of background regions. Next, by introducing both multi-dimensional and one-dimensional latent space, our proposed framework can then learn the spatial and contextual manifolds of normal images, which is conducive to enlarging the difference between reconstruction errors of normal images and those of abnormal ones. Furthermore, an ablation-based method is proposed to localize anomalous regions by computing the importance of feature maps, which is used to correct anomaly score calculated by reconstruction error. Finally, a novel anomaly score is constructed to separate the abnormal images from the normal ones. Extensive experiments on two retinal OCT datasets are conducted to evaluate our proposed method, and the experimental results demonstrate the effectiveness of our approach.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
piaoyingzhiyu发布了新的文献求助30
3秒前
Lazarus_x发布了新的文献求助10
3秒前
yema完成签到 ,获得积分10
5秒前
7秒前
8秒前
浅是宝贝完成签到 ,获得积分10
8秒前
dengqin完成签到 ,获得积分10
9秒前
JamesPei应助Lazarus_x采纳,获得10
12秒前
哭泣剑封完成签到,获得积分10
14秒前
14秒前
15秒前
小学生的练习簿完成签到,获得积分10
16秒前
18秒前
xuxu发布了新的文献求助10
18秒前
科研通AI2S应助北辰采纳,获得10
18秒前
完美的发卡完成签到 ,获得积分10
19秒前
19秒前
21秒前
23秒前
23秒前
23秒前
有机会吗发布了新的文献求助10
25秒前
慕青应助科研通管家采纳,获得10
26秒前
xuxu完成签到,获得积分10
26秒前
科研通AI2S应助科研通管家采纳,获得10
26秒前
26秒前
树池应助科研通管家采纳,获得10
27秒前
SciGPT应助科研通管家采纳,获得10
27秒前
仙人掌完成签到,获得积分10
27秒前
共享精神应助科研通管家采纳,获得10
27秒前
科目三应助科研通管家采纳,获得10
27秒前
科研通AI2S应助科研通管家采纳,获得10
27秒前
orixero应助科研通管家采纳,获得10
27秒前
27秒前
余每青发布了新的文献求助10
27秒前
27秒前
支之玉发布了新的文献求助10
28秒前
小张完成签到,获得积分10
30秒前
有机会吗完成签到,获得积分10
31秒前
33秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 800
Ethnicities: Media, Health, and Coping 700
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3085924
求助须知:如何正确求助?哪些是违规求助? 2738890
关于积分的说明 7552090
捐赠科研通 2388595
什么是DOI,文献DOI怎么找? 1266658
科研通“疑难数据库(出版商)”最低求助积分说明 613539
版权声明 598591