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
more发布了新的文献求助10
1秒前
雨夜星空完成签到 ,获得积分10
1秒前
大模型应助sarah采纳,获得10
1秒前
HIy发布了新的文献求助10
1秒前
不会点点发布了新的文献求助10
2秒前
要减肥完成签到,获得积分10
2秒前
loyalll发布了新的文献求助10
2秒前
2秒前
Green完成签到,获得积分10
3秒前
科研通AI2S应助10采纳,获得10
3秒前
myf发布了新的文献求助10
4秒前
nnn25发布了新的文献求助10
4秒前
大模型应助晓晓雪采纳,获得10
5秒前
more完成签到,获得积分10
5秒前
酷酷的涵蕾完成签到 ,获得积分10
5秒前
项阑悦完成签到,获得积分10
6秒前
6秒前
源气满满完成签到,获得积分20
6秒前
远_09完成签到 ,获得积分10
6秒前
6秒前
Akim应助易安采纳,获得10
7秒前
开开心心的开心完成签到,获得积分10
8秒前
ding应助大白采纳,获得10
8秒前
dktrrrr完成签到,获得积分10
8秒前
milkcoffe完成签到,获得积分10
9秒前
XUGANG完成签到,获得积分20
10秒前
科研通AI2S应助huhu采纳,获得10
10秒前
xinyi完成签到,获得积分10
10秒前
糖糖糖完成签到,获得积分10
10秒前
RRRRRRR发布了新的文献求助10
11秒前
Jack完成签到,获得积分10
11秒前
12秒前
关关完成签到,获得积分10
12秒前
chiyudoubao完成签到,获得积分10
12秒前
海豚完成签到,获得积分10
12秒前
13秒前
13秒前
乐乐应助Wen采纳,获得10
14秒前
大模型应助zhangpeng采纳,获得10
14秒前
lozhuo完成签到,获得积分10
14秒前
高分求助中
Evolution 10000
Becoming: An Introduction to Jung's Concept of Individuation 600
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
The Kinetic Nitration and Basicity of 1,2,4-Triazol-5-ones 440
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 3158960
求助须知:如何正确求助?哪些是违规求助? 2810082
关于积分的说明 7886047
捐赠科研通 2468944
什么是DOI,文献DOI怎么找? 1314470
科研通“疑难数据库(出版商)”最低求助积分说明 630632
版权声明 602012