Anomaly Detection using Generative Models and Sum-Product Networks in Mammography Scans

要約

医療データの注釈は退屈な作業であるため、健全なデータのみでトレーニングされる教師なし異常検出モデルは、近年重要性を増しています。
オートエンコーダーと敵対的生成ネットワークは、データ分布を学習するために利用される標準的な異常検出方法です。
ただし、テストサンプルの可能性の推論と評価に関しては不十分です。
生成モデルと確率的グラフィカル モデルの新しい組み合わせを提案します。
オートエンコーダーによって画像サンプルをエンコードした後、データの分布は、ランダムおよびテンソル サム プロダクト ネットワークによってモデル化され、テスト時に正確かつ効率的な推論が保証されます。
パッチごとの処理を使用してマンモグラフィ画像のランダムおよびテンソル化サムプロダクト ネットワークと組み合わせたさまざまなオートエンコーダー アーキテクチャを評価し、医療データの異常検出でスタンドアロンおよび最先端のモデルを利用するよりも優れたパフォーマンスを観察します。

要約(オリジナル)

Unsupervised anomaly detection models which are trained solely by healthy data, have gained importance in the recent years, as the annotation of medical data is a tedious task. Autoencoders and generative adversarial networks are the standard anomaly detection methods that are utilized to learn the data distribution. However, they fall short when it comes to inference and evaluation of the likelihood of test samples. We propose a novel combination of generative models and a probabilistic graphical model. After encoding image samples by autoencoders, the distribution of data is modeled by Random and Tensorized Sum-Product Networks ensuring exact and efficient inference at test time. We evaluate different autoencoder architectures in combination with Random and Tensorized Sum-Product Networks on mammography images using patch-wise processing and observe superior performance over utilizing the models standalone and state-of-the-art in anomaly detection for medical data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google