Unsupervised Anomaly Localization with Structural Feature-Autoencoders

要約

教師なし異常検出は、トレーニングに教師やラベルを必要としないため、医用画像の病状を検出する一般的な方法になりました。
最も一般的には、異常検出モデルは入力画像の「通常」バージョンを生成し、2 つのピクセル単位の $l^p$ 差を使用して異常を特定します。
ただし、ほとんどの医療画像に存在する複雑な解剖学的構造の不完全な再構成により、大きな残差が発生することがよくあります。
この方法では、周囲の組織との大きな強度差によって特徴付けられない異常を検出することもできません。
入力強度画像を、元の画像から抽出されたさまざまな識別機能マップに沿って異常を検出できる複数のチャネルを持つ空間に変換する機能マッピング関数を使用して、この問題に取り組むことを提案します。
次に、強度の違いだけでなく、コントラストと構造の違いも考慮する構造類似性損失を使用して、この空間でオートエンコーダー モデルをトレーニングします。
私たちの方法は、脳 MRI の 2 つの医療データ セットのパフォーマンスを大幅に向上させます。
コードと実験は https://github.com/FeliMe/feature-autoencoder で入手できます

要約(オリジナル)

Unsupervised Anomaly Detection has become a popular method to detect pathologies in medical images as it does not require supervision or labels for training. Most commonly, the anomaly detection model generates a ‘normal’ version of an input image, and the pixel-wise $l^p$-difference of the two is used to localize anomalies. However, large residuals often occur due to imperfect reconstruction of the complex anatomical structures present in most medical images. This method also fails to detect anomalies that are not characterized by large intensity differences to the surrounding tissue. We propose to tackle this problem using a feature-mapping function that transforms the input intensity images into a space with multiple channels where anomalies can be detected along different discriminative feature maps extracted from the original image. We then train an Autoencoder model in this space using structural similarity loss that does not only consider differences in intensity but also in contrast and structure. Our method significantly increases performance on two medical data sets for brain MRI. Code and experiments are available at https://github.com/FeliMe/feature-autoencoder

arxiv情報

提供元, 利用サービス

arxiv.jp, Google