Unsupervised Pathology Detection: A Deep Dive Into the State of the Art

要約

深い教師なしアプローチは、病状の検出や医用画像のセグメンテーションなどのアプリケーションでますます注目を集めています。これは、大規模なラベル付きデータセットの必要性を軽減し、あらゆる種類のまれな病状を検出する際に、教師ありのアプローチよりも一般化できるためです。
教師なし異常検出 (UAD) の文献が継続的に成長し、新しいパラダイムが出現するにつれて、最先端 (SOTA) を再評価し、有望な研究を特定するために、共通のフレームワークで新しい方法を継続的に評価およびベンチマークすることが不可欠です。
方向。
この目的のために、複数の医療データセットで最先端の UAD メソッドの多様な選択を評価し、それらを脳 MRI の UAD で確立された SOTA と比較します。
私たちの実験は、産業および医学文献から新しく開発された機能モデリング手法が、以前の研究と比較してパフォーマンスの向上を達成し、さまざまなモダリティとデータセットで新しい SOTA を設定することを示しています。
さらに、このような方法は、最近開発された自己教師あり事前トレーニング アルゴリズムの恩恵を受け、パフォーマンスをさらに向上させることができることを示しています。
最後に、選択したモデルとデータセットのいくつかの固有の特性についてさらに洞察を得るために、一連の実験を行います。
コードは https://github.com/iolag/UPD_study/ にあります。

要約(オリジナル)

Deep unsupervised approaches are gathering increased attention for applications such as pathology detection and segmentation in medical images since they promise to alleviate the need for large labeled datasets and are more generalizable than their supervised counterparts in detecting any kind of rare pathology. As the Unsupervised Anomaly Detection (UAD) literature continuously grows and new paradigms emerge, it is vital to continuously evaluate and benchmark new methods in a common framework, in order to reassess the state-of-the-art (SOTA) and identify promising research directions. To this end, we evaluate a diverse selection of cutting-edge UAD methods on multiple medical datasets, comparing them against the established SOTA in UAD for brain MRI. Our experiments demonstrate that newly developed feature-modeling methods from the industrial and medical literature achieve increased performance compared to previous work and set the new SOTA in a variety of modalities and datasets. Additionally, we show that such methods are capable of benefiting from recently developed self-supervised pre-training algorithms, further increasing their performance. Finally, we perform a series of experiments in order to gain further insights into some unique characteristics of selected models and datasets. Our code can be found under https://github.com/iolag/UPD_study/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google