Localizing Anomalies via Multiscale Score Matching Analysis

要約

医療画像処理における異常の検出と位置特定は、依然として医療における重要な課題です。
この論文では、脳容積 MRI における異常位置特定のための新しい教師なし手法である Spatial-MSMA (Multiscale Score Matching Analysis) を紹介します。
MSMA フレームワークに基づいて構築された当社のアプローチには、空間情報と条件付き尤度が組み込まれており、異常検出機能が強化されています。
パッチ位置と全体的な画像特徴に基づいて条件付けされた柔軟な正規化フロー モデルを採用し、パッチごとの異常スコアを推定します。
この方法は、テスト セットに模擬病変を追加した、定型発達の小児から採取した 1,650 件の T1 および T2 強調脳 MRI のデータセットで評価されます。
Spatial-MSMA は、病変の検出およびセグメンテーションのタスクにおいて、再構築ベース、生成ベース、および解釈ベースのアプローチを含む既存の方法を大幅に上回ります。
私たちのモデルは、距離ベースの指標 (99 パーセンタイルのハウスドルフ距離: $7.05 \pm 0.61$、平均表面距離: $2.10 \pm 0.43$) とコンポーネントごとの指標 (真陽性率: $0.83 \pm 0.01$、陽性) の両方で優れたパフォーマンスを達成します。
予測値: $0.96 \pm 0.01$)。
これらの結果は、医療画像における正確かつ解釈可能な異常位置特定に対する空間 MSMA の可能性を示しており、臨床現場での診断と治療計画の改善に影響を及ぼします。
私たちのコードは~\url{https://github.com/ahsanMah/sade/}で入手できます。

要約(オリジナル)

Anomaly detection and localization in medical imaging remain critical challenges in healthcare. This paper introduces Spatial-MSMA (Multiscale Score Matching Analysis), a novel unsupervised method for anomaly localization in volumetric brain MRIs. Building upon the MSMA framework, our approach incorporates spatial information and conditional likelihoods to enhance anomaly detection capabilities. We employ a flexible normalizing flow model conditioned on patch positions and global image features to estimate patch-wise anomaly scores. The method is evaluated on a dataset of 1,650 T1- and T2-weighted brain MRIs from typically developing children, with simulated lesions added to the test set. Spatial-MSMA significantly outperforms existing methods, including reconstruction-based, generative-based, and interpretation-based approaches, in lesion detection and segmentation tasks. Our model achieves superior performance in both distance-based metrics (99th percentile Hausdorff Distance: $7.05 \pm 0.61$, Mean Surface Distance: $2.10 \pm 0.43$) and component-wise metrics (True Positive Rate: $0.83 \pm 0.01$, Positive Predictive Value: $0.96 \pm 0.01$). These results demonstrate Spatial-MSMA’s potential for accurate and interpretable anomaly localization in medical imaging, with implications for improved diagnosis and treatment planning in clinical settings. Our code is available at~\url{https://github.com/ahsanMah/sade/}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google