Self-Supervised Masked Mesh Learning for Unsupervised Anomaly Detection on 3D Cortical Surfaces

要約

脳画像処理における教師なし異常検出は困難です。
この論文では、3D 皮質表面における教師なし異常検出のための自己教師ありマスク メッシュ学習を提案します。
私たちのフレームワークは、皮質表面の固有の幾何学的形状を利用して、脳の基礎構造を捕捉する自己教師あり表現を学習します。
皮質表面のマスクされた領域を予測することを学習するマスクされたメッシュ畳み込みニューラル ネットワーク (MMN) を紹介します。
健康な被験者の大規模なデータセットで MMN をトレーニングすることにより、皮質表面の正常な変動を捉える表現を学習します。
次に、この表現を使用して、MMN の再構成誤差に基づいて異常スコアを計算することで、目に見えない個人の異常を検出します。
人口規模のデータセット UKB および HCP-Aging でトレーニングし、アルツハイマー病患者 ADNI と OASIS3 の 2 つのデータセットでテストすることで、フレームワークを評価します。
私たちの結果は、私たちのフレームワークが、アルツハイマー病の高感度バイオマーカーであることが知られている皮質の厚さ、皮質の体積、皮質溝の特徴の異常を検出できることを示しています。
私たちが提案したフレームワークは、皮質特徴の規範的な変動に基づいた教師なし異常検出のための有望なアプローチを提供します。

要約(オリジナル)

Unsupervised anomaly detection in brain imaging is challenging. In this paper, we propose a self-supervised masked mesh learning for unsupervised anomaly detection in 3D cortical surfaces. Our framework leverages the intrinsic geometry of the cortical surface to learn a self-supervised representation that captures the underlying structure of the brain. We introduce a masked mesh convolutional neural network (MMN) that learns to predict masked regions of the cortical surface. By training the MMN on a large dataset of healthy subjects, we learn a representation that captures the normal variation in the cortical surface. We then use this representation to detect anomalies in unseen individuals by calculating anomaly scores based on the reconstruction error of the MMN. We evaluate our framework by training on population-scale dataset UKB and HCP-Aging and testing on two datasets of Alzheimer’s disease patients ADNI and OASIS3. Our results show that our framework can detect anomalies in cortical thickness, cortical volume, and cortical sulcus features, which are known to be sensitive biomarkers for Alzheimer’s disease. Our proposed framework provides a promising approach for unsupervised anomaly detection based on normative variation of cortical features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google