Progressive GANomaly: Anomaly detection with progressively growing GANs

要約

医用画像診断では、アノテーションや病理が少ないため、大量のラベル付きデータを得ることはハードルが高い場合が多い。異常検出は、正常な（注釈のない）データに対してのみ学習させながら、未見の異常データを検出することが可能な手法である。このタスクを実行するために、Generative adversarial networks (GAN)に基づくいくつかのアルゴリズムが存在するが、GANの不安定性のために一定の限界が存在する。本論文では、既存の手法であるGANomalyと漸増するGANを組み合わせることで、新たな手法を提案する。後者は高解像度画像を生成できることを考慮すると、より安定であることが知られている。本手法は、ファッションMNIST、Medical Out-of-Distribution Analysis Challenge (MOOD)、および社内の脳MRIを用いて、16×16および32×32のサイズのパッチを用いてテストされた。ファッションMNISTでは，プログレッシブGANomalyが，1クラスSVMや通常のGANomalyよりも性能が優れていた．MOOD画像に、強度と直径を変化させた人工的な異常を作成した。プログレッシブGANomalyは、強度と大きさが異なる異常を最も多く検出した。さらに、間欠的な再構成はプログレッシブGANomalyより優れていることが証明された。社内の脳MRIデータセットでは、regular GANomalyが他の手法より優れていた。

要約(オリジナル)

In medical imaging, obtaining large amounts of labeled data is often a hurdle, because annotations and pathologies are scarce. Anomaly detection is a method that is capable of detecting unseen abnormal data while only being trained on normal (unannotated) data. Several algorithms based on generative adversarial networks (GANs) exist to perform this task, yet certain limitations are in place because of the instability of GANs. This paper proposes a new method by combining an existing method, GANomaly, with progressively growing GANs. The latter is known to be more stable, considering its ability to generate high-resolution images. The method is tested using Fashion MNIST, Medical Out-of-Distribution Analysis Challenge (MOOD), and in-house brain MRI; using patches of sizes 16×16 and 32×32. Progressive GANomaly outperforms a one-class SVM or regular GANomaly on Fashion MNIST. Artificial anomalies are created in MOOD images with varying intensities and diameters. Progressive GANomaly detected the most anomalies with varying intensity and size. Additionally, the intermittent reconstructions are proven to be better from progressive GANomaly. On the in-house brain MRI dataset, regular GANomaly outperformed the other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL