Modality Cycles with Masked Conditional Diffusion for Unsupervised Anomaly Segmentation in MRI

要約

教師なし異常セグメンテーションは、関連する手動セグメンテーションを提供せずに、一般に異常パターンまたは分布外パターンと呼ばれる、トレーニング中に処理されたパターンとは異なるパターンを検出することを目的としています。
導入中の異常はモデルの障害につながる可能性があるため、異常を検出することでモデルの信頼性を高めることができ、これは医療画像処理などの高リスク領域では価値があります。
この論文では、マルチモーダル MRI におけるさまざまなパターンにわたる異常のセグメンテーションを可能にする手法である、条件付き拡散によるマスク モダリティ サイクル (MMCCD) を紹介します。
この方法は 2 つの基本的な考え方に基づいています。
まず、異常検出を可能にするメカニズムとして循環モダリティ変換の使用を提案します。
画像変換モデルは、組織生理学の特徴である組織固有のモダリティ マッピングを学習します。
したがって、これらの学習されたマッピングは、トレーニング中に遭遇したことのない組織や画像パターンを変換できず、エラーによりそれらのセグメンテーションが可能になります。
さらに、画像変換をマスクされた条件付き拡散モデルと組み合わせます。これは、マスクされた領域の下にどのような組織が存在するかを「想像」しようとし、生成モデルがパターンを再作成できないため、未知のパターンをさらに明らかにします。
BraTS2021 マルチモダリティ MRI の健康に見えるスライスでトレーニングし、腫瘍のあるスライスでテストすることにより、代理タスクでメソッドを評価します。
私たちの方法が、オートエンコーダーと拡散モデルを使用した画像再構成とノイズ除去に基づく以前の教師なしアプローチと比較して有利であることを示します。

要約(オリジナル)

Unsupervised anomaly segmentation aims to detect patterns that are distinct from any patterns processed during training, commonly called abnormal or out-of-distribution patterns, without providing any associated manual segmentations. Since anomalies during deployment can lead to model failure, detecting the anomaly can enhance the reliability of models, which is valuable in high-risk domains like medical imaging. This paper introduces Masked Modality Cycles with Conditional Diffusion (MMCCD), a method that enables segmentation of anomalies across diverse patterns in multimodal MRI. The method is based on two fundamental ideas. First, we propose the use of cyclic modality translation as a mechanism for enabling abnormality detection. Image-translation models learn tissue-specific modality mappings, which are characteristic of tissue physiology. Thus, these learned mappings fail to translate tissues or image patterns that have never been encountered during training, and the error enables their segmentation. Furthermore, we combine image translation with a masked conditional diffusion model, which attempts to `imagine’ what tissue exists under a masked area, further exposing unknown patterns as the generative model fails to recreate them. We evaluate our method on a proxy task by training on healthy-looking slices of BraTS2021 multi-modality MRIs and testing on slices with tumors. We show that our method compares favorably to previous unsupervised approaches based on image reconstruction and denoising with autoencoders and diffusion models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google