Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET

要約

ここ数年、教師なし異常検出のための擬似健全な再構築が人気を集めてきました。
このアプローチには、面倒なピクセル単位のデータ注釈を必要としないという大きな利点があり、希少疾患に対応する異常を含むあらゆる種類の異常に一般化できる可能性が提供されます。
健康な被験者からの画像のみを使用して深層生成モデルをトレーニングすることにより、モデルは疑似健康な画像を再構築する方法を学習します。
次に、この疑似健全な再構成が入力と比較されて、異常が検出され、位置が特定されます。
このような方法の評価は、多くの場合、テスト データに利用可能なグラウンド トゥルース病変マスクに依存しますが、アプリケーションによっては存在しない可能性があります。
グラウンドトゥルースが利用できない場合に擬似健全な再構成方法を検証するために、現実的な異常画像のシミュレーションに基づいた評価手順を提案します。
これにより、さまざまな種類の異常について生成モデルを広範囲にテストし、同じ被写体に対応する正常画像と異常画像のペアを使用してそのパフォーマンスを測定することができます。
これは、臨床医の専門知識を必要とするより高度な検証ステップの前に、疑似健康画像を再構築する生成モデルの能力を検証するための予備的な自動ステップとして使用できます。
我々は、アルツハイマー病などの認知症に特有の神経変性マーカーをできるだけ早期に検出することを目的として、このフレームワークを畳み込み変分オートエンコーダーを使用した3D脳FDG PETの再構成に適用します。

要約(オリジナル)

Over the past years, pseudo-healthy reconstruction for unsupervised anomaly detection has gained in popularity. This approach has the great advantage of not requiring tedious pixel-wise data annotation and offers possibility to generalize to any kind of anomalies, including that corresponding to rare diseases. By training a deep generative model with only images from healthy subjects, the model will learn to reconstruct pseudo-healthy images. This pseudo-healthy reconstruction is then compared to the input to detect and localize anomalies. The evaluation of such methods often relies on a ground truth lesion mask that is available for test data, which may not exist depending on the application. We propose an evaluation procedure based on the simulation of realistic abnormal images to validate pseudo-healthy reconstruction methods when no ground truth is available. This allows us to extensively test generative models on different kinds of anomalies and measuring their performance using the pair of normal and abnormal images corresponding to the same subject. It can be used as a preliminary automatic step to validate the capacity of a generative model to reconstruct pseudo-healthy images, before a more advanced validation step that would require clinician’s expertise. We apply this framework to the reconstruction of 3D brain FDG PET using a convolutional variational autoencoder with the aim to detect as early as possible the neurodegeneration markers that are specific to dementia such as Alzheimer’s disease.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google