The role of noise in denoising models for anomaly detection in medical images

要約

病理学的脳病変は、強度、テクスチャ、形状、サイズ、および位置に関して、脳画像で多様な外観を示します。
包括的なデータと注釈のセットを取得するのは困難です。
したがって、テスト時に外れ値の異常なボクセルを検出することを目的として、トレーニングに正常なデータのみを使用する教師なし異常検出アプローチが提案されています。
従来のノイズ除去オートエンコーダー (DAE) や最近登場した拡散モデルなどのノイズ除去方法は有望なアプローチですが、ピクセル単位のノイズを単純に適用すると、異常検出のパフォーマンスが低下します。
空間解像度とノイズの大きさを最適化すると、さまざまなモデル トレーニング レジームのパフォーマンスが向上し、同様のノイズ パラメーター調整により、DAE と拡散モデルの両方で優れたパフォーマンスが得られることを示します。
再構築の目視検査は、トレーニング ノイズが、再構築される詳細の範囲と異常の消去の範囲との間のトレードオフに影響を与えることを示唆しています。これらは両方とも、より優れた異常検出パフォーマンスに貢献します。
2 つの実世界のデータセット (脳 MRI での腫瘍検出と脳 CT での出血/虚血/腫瘍検出) で調査結果を検証し、多様な異常の出現に対する良好な検出を示しています。
全体として、粗いノイズでトレーニングされた DAE は、最先端の精度を提供する高速でシンプルな方法であることがわかります。
異常検出に適用される拡散モデルはまだ初期段階にあり、今後の研究に有望な手段を提供します。

要約(オリジナル)

Pathological brain lesions exhibit diverse appearance in brain images, in terms of intensity, texture, shape, size, and location. Comprehensive sets of data and annotations are difficult to acquire. Therefore, unsupervised anomaly detection approaches have been proposed using only normal data for training, with the aim of detecting outlier anomalous voxels at test time. Denoising methods, for instance classical denoising autoencoders (DAEs) and more recently emerging diffusion models, are a promising approach, however naive application of pixelwise noise leads to poor anomaly detection performance. We show that optimization of the spatial resolution and magnitude of the noise improves the performance of different model training regimes, with similar noise parameter adjustments giving good performance for both DAEs and diffusion models. Visual inspection of the reconstructions suggests that the training noise influences the trade-off between the extent of the detail that is reconstructed and the extent of erasure of anomalies, both of which contribute to better anomaly detection performance. We validate our findings on two real-world datasets (tumor detection in brain MRI and hemorrhage/ischemia/tumor detection in brain CT), showing good detection on diverse anomaly appearances. Overall, we find that a DAE trained with coarse noise is a fast and simple method that gives state-of-the-art accuracy. Diffusion models applied to anomaly detection are as yet in their infancy and provide a promising avenue for further research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google