Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging

要約

超音波（US）イメージングは​​、放射線を使用せず、コスト効率が高く、持ち運びができるという利点があるため、日常の臨床診療で広く使用されています。
ただし、US 画像の再現性と品質が低く、専門家レベルのアノテーションが不足しているため、完全に監視されたセグメンテーション モデルのトレーニングが困難になります。
これらの問題に対処するために、合成異常 (Synomaly) ノイズ関数と多段階拡散プロセスを組み込んだ拡散モデルに基づく、新しい教師なし異常検出フレームワークを提案します。
シノマリー ノイズは、トレーニング中に合成異常を健全な画像に導入し、モデルが異常の除去を効果的に学習できるようにします。
多段階の拡散プロセスは、画像のノイズを段階的に除去するために導入されており、異常のない再構成の品質を向上させながら微細なディテールを維持します。
生成された高忠実度の反事実的健康画像は、セグメンテーション モデルの解釈可能性をさらに高めることができるほか、異常の程度を評価し、臨床上の意思決定をサポートするための信頼できるベースラインを提供します。
特に、教師なし異常検出モデルは健全な画像のみでトレーニングされるため、異常なトレーニング サンプルやピクセル レベルの注釈が不要になります。
提案されたアプローチを頸動脈 US、脳 MRI、肝臓 CT データセットに対して検証します。
実験結果は、提案されたフレームワークが既存の最先端の教師なし異常検出手法を上回っており、米国のデータセットの完全教師ありセグメンテーション モデルに匹敵するパフォーマンスを達成していることを示しています。
さらに、アブレーション研究では、Synomaly ノイズのハイパーパラメーター選択の重要性と、モデルのパフォーマンスを向上させる多段階拡散プロセスの有効性が強調されています。

要約(オリジナル)

Ultrasound (US) imaging is widely used in routine clinical practice due to its advantages of being radiation-free, cost-effective, and portable. However, the low reproducibility and quality of US images, combined with the scarcity of expert-level annotation, make the training of fully supervised segmentation models challenging. To address these issues, we propose a novel unsupervised anomaly detection framework based on a diffusion model that incorporates a synthetic anomaly (Synomaly) noise function and a multi-stage diffusion process. Synomaly noise introduces synthetic anomalies into healthy images during training, allowing the model to effectively learn anomaly removal. The multi-stage diffusion process is introduced to progressively denoise images, preserving fine details while improving the quality of anomaly-free reconstructions. The generated high-fidelity counterfactual healthy images can further enhance the interpretability of the segmentation models, as well as provide a reliable baseline for evaluating the extent of anomalies and supporting clinical decision-making. Notably, the unsupervised anomaly detection model is trained purely on healthy images, eliminating the need for anomalous training samples and pixel-level annotations. We validate the proposed approach on carotid US, brain MRI, and liver CT datasets. The experimental results demonstrate that the proposed framework outperforms existing state-of-the-art unsupervised anomaly detection methods, achieving performance comparable to fully supervised segmentation models in the US dataset. Additionally, ablation studies underline the importance of hyperparameter selection for Synomaly noise and the effectiveness of the multi-stage diffusion process in enhancing model performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google