nnOOD: A Framework for Benchmarking Self-supervised Anomaly Localisation Methods

要約

医用画像における多種多様な分布内・分布外データは、普遍的な異常検出を困難な課題としている。近年、合成異常で補強された健常データに対してエンドツーエンドモデルを学習する自己教師付き手法が多数開発されている。しかし、これらの手法を比較することは困難であり、性能の向上がタスク自体によるものなのか、タスク周辺の学習パイプラインによるものなのかが明らかではない。また、タスクは限られた範囲の異常に対してのみテストされることが多いため、普遍的な異常検出のためにうまく一般化できるかどうかを評価することも困難です。これを支援するために、我々はnnU-Netを適応させ、自己教師付き異常位置検出法の比較を可能にするフレームワークであるnnOODを開発しました。合成された自己教師付きタスクを他の学習プロセスから分離することで、より忠実なタスクの比較を行い、同時に与えられたデータセットに対する評価のワークフローを迅速かつ簡単にすることができます。これを用いて、現在の最新鋭のタスクを実装し、困難なX線データセットで評価しました。

要約(オリジナル)

The wide variety of in-distribution and out-of-distribution data in medical imaging makes universal anomaly detection a challenging task. Recently a number of self-supervised methods have been developed that train end-to-end models on healthy data augmented with synthetic anomalies. However, it is difficult to compare these methods as it is not clear whether gains in performance are from the task itself or the training pipeline around it. It is also difficult to assess whether a task generalises well for universal anomaly detection, as they are often only tested on a limited range of anomalies. To assist with this we have developed nnOOD, a framework that adapts nnU-Net to allow for comparison of self-supervised anomaly localisation methods. By isolating the synthetic, self-supervised task from the rest of the training process we perform a more faithful comparison of the tasks, whilst also making the workflow for evaluating over a given dataset quick and easy. Using this we have implemented the current state-of-the-art tasks and evaluated them on a challenging X-ray dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL