One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities

要約

タイトル: シャル巡回ニューラルネットワークの潜在空間上におけるOne-Class SVMを用いた脳MRI白質高信号異常の非監視型異常検出
要約:
– 監視がほとんどない場合、または小さく、微妙なコントラストを持つ場合、異常検出は神経画像診断において課題である。
– Patch-based表現学習は、産業や医療画像に適用されたときに強力な表現能力を示し、外れ値検出手法にも成功している。
– 本研究では、siamese patch-based自己符号器によって構築された潜在空間に基づく非監視型異常検出(UAD)手法を提案し、One-Class SVMトレーニングパラダイムを用いて多様性神経画像の異常検出タスクに対応する。
– 我々は、公開データベースであるWhite Matter Hyperintensities（WMH）チャレンジでこのモデルの性能を評価し、これまでに報告された最高の2つのstate-of-the-art方法と同等の性能を示した。

要約(オリジナル)

Anomaly detection remains a challenging task in neuroimaging when little to no supervision is available and when lesions can be very small or with subtle contrast. Patch-based representation learning has shown powerful representation capacities when applied to industrial or medical imaging and outlier detection methods have been applied successfully to these images. In this work, we propose an unsupervised anomaly detection (UAD) method based on a latent space constructed by a siamese patch-based auto-encoder and perform the outlier detection with a One-Class SVM training paradigm tailored to the lesion detection task in multi-modality neuroimaging. We evaluate performances of this model on a public database, the White Matter Hyperintensities (WMH) challenge and show in par performance with the two best performing state-of-the-art methods reported so far.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI