Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective

要約

再構成ベースの方法、特にオートエンコーダを利用する方法は、脳 MRI での異常検出を実行するために広く採用されています。
既存の研究のほとんどは、新しいモデル構造やアルゴリズムを提案することで検出精度を向上させようとしていますが、私たちは、この分野では十分に検討されていない視点である画質評価を通じて問題に取り組みます。
構造類似性指数測定損失と l1 損失を組み合わせた融合品質損失関数を提案し、再構成品質のより包括的な評価を提供します。
さらに、正常領域と異常領域の間の平均強度比 (AIR) を強化するデータ前処理戦略を導入し、異常の区別をさらに向上させます。
前述の 2 つの手法を融合することで、画質評価 (IQA) アプローチを考案します。
提案された IQA アプローチは、BraTS21 (T2、FLAIR) および MSULB データセットのダイス係数 (DICE) と適合率再現曲線下面積 (AUPRC) の点で、現状と比較して大幅な改善 (>10%) を達成します。
-アートメソッド。
これらの結果は、医療異常検出において包括的な画質評価を活用することの重要性を強調し、この分野の将来の研究に新たな視点を提供します。

要約(オリジナル)

Reconstruction-based methods, particularly those leveraging autoencoders, have been widely adopted to perform anomaly detection in brain MRI. While most existing works try to improve detection accuracy by proposing new model structures or algorithms, we tackle the problem through image quality assessment, an underexplored perspective in the field. We propose a fusion quality loss function that combines Structural Similarity Index Measure loss with l1 loss, offering a more comprehensive evaluation of reconstruction quality. Additionally, we introduce a data pre-processing strategy that enhances the average intensity ratio (AIR) between normal and abnormal regions, further improving the distinction of anomalies. By fusing the aforementioned two methods, we devise the image quality assessment (IQA) approach. The proposed IQA approach achieves significant improvements (>10%) in terms of Dice coefficient (DICE) and Area Under the Precision-Recall Curve (AUPRC) on the BraTS21 (T2, FLAIR) and MSULB datasets when compared with state-of-the-art methods. These results highlight the importance of invoking the comprehensive image quality assessment in medical anomaly detection and provide a new perspective for future research in this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google