Carregant...
Tipus de document
Part del llibreVersió
Versió publicadaData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/219443
Unsupervised deep learning architectures for anomaly detection in brain MRI scans
Títol de la revista
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
Brain imaging techniques, particularly magnetic resonance imaging (MRI), play a crucial role in understanding the neurocognitive phenotype and associated challenges of many neurological disorders, providing detailed insights into the structural alterations in the brain. Despite advancements, the links between cognitive performance and brain anatomy remain unclear. The complexity of analyzing brain MRI scans requires expertise and time, prompting the exploration of artificial intelligence for automated assistance. In this context, unsupervised deep learning techniques, particularly Transformers and Autoencoders, offer a solution by learning the distribution of healthy brain anatomy and detecting alterations in unseen scans. In this work, we evaluate several unsupervised models to reconstruct healthy brain scans and detect synthetic anomalies.
Matèries (anglès)
Citació
Citació
MALÉ, Jordi, XIRAU, Víctor, FORTEA, Juan, HEUZÉ, Yann, MARTÍNEZ ABADÍAS, Neus, SEVILLANO, Xavier. Unsupervised deep learning architectures for anomaly detection in brain MRI scans. _Capítol del llibre: Alsinet_. Teresa. Vol. Vilasís, núm. Xavier, pàgs. García. [consulta: 25 de gener de 2026]. [Disponible a: https://hdl.handle.net/2445/219443]