StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder

要約

人間の脳の解剖学的画像の専門的な解釈は、神経放射線学の中心的な部分である。この解析プロセスを支援するために，いくつかの機械学習ベースの技術が提案されている．しかし、機械学習モデルは一般的に、脳腫瘍のセグメンテーションや分類といった特定のタスクを実行するために学習させる必要がある。また、人間の脳MRIには様々な異常が存在し、同時に複数の異常が存在することもあるため、すべての異常の表現が非常に困難である。そこで、教師なし異常検出システム（UAD）を用いて、健常者のラベル付けされていないデータセットからデータ分布を学習し、分布外のサンプルを検出することが考えられる。このような技術は、例えば脳腫瘍のような病変や異常の検出に用いることができ、特定の病変に対して明示的にモデルを学習させる必要はない。このタスクのために、過去にいくつかの変分オートエンコーダ（VAE）ベースの技術が提案されています。これらの手法は、人工的にシミュレートされた異常の検出には非常に有効であるが、臨床データの異常の検出には適していないものが多い。本研究では、コンテキストエンコードVAE（ceVAE）モデルのコンパクト版を提案し、前処理と後処理を組み合わせて、臨床データに対してより頑健なUADパイプライン（StRegA）を作成し、脳MRIにおける腫瘍などの異常検出に適用可能であることを示した。提案パイプラインは、BraTSデータセットのT2w画像における腫瘍の検出で0.642$Сpm$0.101、人為的な異常の検出で0.859$Сpm$0.112というDiceスコアを達成し、最高性能ベースラインがそれぞれ0.522$Сpm$0.135と0.783$Сpm$0.111というスコアを達成している。

要約(オリジナル)

Expert interpretation of anatomical images of the human brain is the central part of neuro-radiology. Several machine learning-based techniques have been proposed to assist in the analysis process. However, the ML models typically need to be trained to perform a specific task, e.g., brain tumour segmentation or classification. Not only do the corresponding training data require laborious manual annotations, but a wide variety of abnormalities can be present in a human brain MRI – even more than one simultaneously, which renders representation of all possible anomalies very challenging. Hence, a possible solution is an unsupervised anomaly detection (UAD) system that can learn a data distribution from an unlabelled dataset of healthy subjects and then be applied to detect out of distribution samples. Such a technique can then be used to detect anomalies – lesions or abnormalities, for example, brain tumours, without explicitly training the model for that specific pathology. Several Variational Autoencoder (VAE) based techniques have been proposed in the past for this task. Even though they perform very well on controlled artificially simulated anomalies, many of them perform poorly while detecting anomalies in clinical data. This research proposes a compact version of the ‘context-encoding’ VAE (ceVAE) model, combined with pre and post-processing steps, creating a UAD pipeline (StRegA), which is more robust on clinical data, and shows its applicability in detecting anomalies such as tumours in brain MRIs. The proposed pipeline achieved a Dice score of 0.642$\pm$0.101 while detecting tumours in T2w images of the BraTS dataset and 0.859$\pm$0.112 while detecting artificially induced anomalies, while the best performing baseline achieved 0.522$\pm$0.135 and 0.783$\pm$0.111, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL