Exploiting Structural Consistency of Chest Anatomy for Unsupervised Anomaly Detection in Radiography Images

要約

X 線撮影イメージング プロトコルは特定の身体領域に焦点を当てているため、類似性の高い画像が生成され、患者間で再発する解剖学的構造が得られます。
この構造化された情報を活用すると、X 線撮影画像からの異常の検出が容易になる可能性があります。
この目的を達成するために、我々は、X 線撮影画像からの異常をインペインティングおよび検出するための Simple Space-Aware Memory Matrix (SimSID と略称) を提案します。
異常検出は、空間を意識したメモリ行列と特徴空間のインペインティング ブロックで構成される画像再構成タスクとして定式化されます。
トレーニング中に、SimSID は、染み付いた解剖学的構造を反復的な視覚パターンに分類でき、推論では、テスト画像から異常 (見えない/変更された視覚パターン) を識別できます。
当社の SimSID は、ZhangLab、COVIDx、および CheXpert ベンチマーク データセットでそれぞれ +8.0%、+5.0%、および +9.9% の AUC スコアで教師なし異常検出の最先端技術を上回っています。
コード: https://github.com/MrGiovanni/SimSID

要約(オリジナル)

Radiography imaging protocols focus on particular body regions, therefore producing images of great similarity and yielding recurrent anatomical structures across patients. Exploiting this structured information could potentially ease the detection of anomalies from radiography images. To this end, we propose a Simple Space-Aware Memory Matrix for In-painting and Detecting anomalies from radiography images (abbreviated as SimSID). We formulate anomaly detection as an image reconstruction task, consisting of a space-aware memory matrix and an in-painting block in the feature space. During the training, SimSID can taxonomize the ingrained anatomical structures into recurrent visual patterns, and in the inference, it can identify anomalies (unseen/modified visual patterns) from the test image. Our SimSID surpasses the state of the arts in unsupervised anomaly detection by +8.0%, +5.0%, and +9.9% AUC scores on ZhangLab, COVIDx, and CheXpert benchmark datasets, respectively. Code: https://github.com/MrGiovanni/SimSID

arxiv情報

提供元, 利用サービス

arxiv.jp, Google