IterMask2: Iterative Unsupervised Anomaly Segmentation via Spatial and Frequency Masking for Brain Lesions in MRI

要約

病理セグメンテーションに対する教師なし異常セグメンテーション アプローチでは、「正常な」データ分布として定義される健康な被験者の画像に基づいてモデルをトレーニングします。
推論では、新しい画像内のあらゆる病理を「異常」としてセグメント化することを目的としています。これは、画像が「正常な」トレーニング データのパターンから逸脱したパターンを示しているためです。
一般的な手法は、「破壊して再構築する」パラダイムに従っています。
彼らは意図的に入力画像を破損し、学習した「正規」分布に従うように再構成し、その後再構成エラーに基づいて異常をセグメント化します。
ただし、入力画像が破損すると、正常な領域であっても再構成が最適化されず、偽陽性が発生することは避けられません。
これを軽減するために、新しい反復空間マスク洗練戦略 IterMask2 を提案します。
画像の領域を繰り返しマスクし、それらを再構築し、再構築エラーに基づいてマスクを更新します。
この反復プロセスにより、モデルに従って正常であると確信できる領域に関する情報が徐々に追加されます。
コンテンツの増加により、近くのマスクされた領域の再構築がガイドされ、これらの領域の下の正常組織の再構築が向上し、偽陽性が減少します。
また、高周波画像コンテンツを補助入力として使用して、マスクされた領域に追加の構造情報を提供します。
これにより、異常領域と比較して正常領域の再構成エラーがさらに改善され、後者のセグメント化が容易になります。
私たちはいくつかの脳病変データセットに対して実験を実施し、私たちの方法の有効性を実証します。
コードはhttps://github.com/ZiyunLiang/IterMasks2から入手できます。

要約(オリジナル)

Unsupervised anomaly segmentation approaches to pathology segmentation train a model on images of healthy subjects, that they define as the ‘normal’ data distribution. At inference, they aim to segment any pathologies in new images as ‘anomalies’, as they exhibit patterns that deviate from those in ‘normal’ training data. Prevailing methods follow the ‘corrupt-and-reconstruct’ paradigm. They intentionally corrupt an input image, reconstruct it to follow the learned ‘normal’ distribution, and subsequently segment anomalies based on reconstruction error. Corrupting an input image, however, inevitably leads to suboptimal reconstruction even of normal regions, causing false positives. To alleviate this, we propose a novel iterative spatial mask-refining strategy IterMask2. We iteratively mask areas of the image, reconstruct them, and update the mask based on reconstruction error. This iterative process progressively adds information about areas that are confidently normal as per the model. The increasing content guides reconstruction of nearby masked areas, improving reconstruction of normal tissue under these areas, reducing false positives. We also use high-frequency image content as an auxiliary input to provide additional structural information for masked areas. This further improves reconstruction error of normal in comparison to anomalous areas, facilitating segmentation of the latter. We conduct experiments on several brain lesion datasets and demonstrate effectiveness of our method. Code is available at: https://github.com/ZiyunLiang/IterMasks2

arxiv情報

提供元, 利用サービス

arxiv.jp, Google