U2AD: Uncertainty-based Unsupervised Anomaly Detection Framework for Detecting T2 Hyperintensity in MRI Spinal Cord

要約

脊髄MR画像のT2高強度は、変性頸部骨髄障害などの条件のための重要なバイオマーカーです。
ただし、現在の臨床診断は主に手動評価に依存しています。
深い学習方法は病変の検出に有望を示していますが、ほとんどの監視されたアプローチは、大きな注釈付きデータセットに大きく依存しています。
異常な異常検出（UAD）は、異常なデータアノテーションの必要性を排除することにより、説得力のある代替手段を提供します。
ただし、既存のUADメソッドはキュレーションされた通常のデータセットに依存しており、ドメインシフトのために臨床データセットに適用すると、そのパフォーマンスは頻繁に劣化します。
これらの制限に対処するために、U2ADと呼ばれる不確実性に基づいた監視なしの異常検出フレームワークを提案します。
従来の方法とは異なり、U2ADは、ビジョントランスベースのアーキテクチャに基づいて構築された「マスクと再構成」パラダイムに従って、同じ臨床データセット内でトレーニングおよびテストされるように設計されています。
不確実なガイド付きマスキング戦略を導入して、通常の再構築と異常検出の間のタスクの競合を解決して、最適なバランスを達成します。
具体的には、モンテカルロサンプリング手法を採用して、トレーニング中の再構築の不確実性マッピングを推定します。
認識論的不確実性とaleatoricの両方の不確実性のガイダンスの下で再建トレーニングを最適化することにより、U2ADは地域を強調しながら全体的な再構成の差異を減らします。
実験結果は、U2ADが患者レベルの識別およびセグメントレベルのローカリゼーションタスクにおいて、既存の監視された監視されていない監視されていない方法を上回ることを示しています。
このフレームワークは、不確実性ガイダンスをUADに組み込むための新しいベンチマークを確立し、医療画像の異常検出におけるドメインシフトとタスクの競合に対処する臨床的有用性を強調しています。
私たちのコードは、https：//github.com/zhibaishouheilab/u2adを利用できます

要約(オリジナル)

T2 hyperintensities in spinal cord MR images are crucial biomarkers for conditions such as degenerative cervical myelopathy. However, current clinical diagnoses primarily rely on manual evaluation. Deep learning methods have shown promise in lesion detection, but most supervised approaches are heavily dependent on large, annotated datasets. Unsupervised anomaly detection (UAD) offers a compelling alternative by eliminating the need for abnormal data annotations. However, existing UAD methods rely on curated normal datasets and their performance frequently deteriorates when applied to clinical datasets due to domain shifts. We propose an Uncertainty-based Unsupervised Anomaly Detection framework, termed U2AD, to address these limitations. Unlike traditional methods, U2AD is designed to be trained and tested within the same clinical dataset, following a ‘mask-and-reconstruction’ paradigm built on a Vision Transformer-based architecture. We introduce an uncertainty-guided masking strategy to resolve task conflicts between normal reconstruction and anomaly detection to achieve an optimal balance. Specifically, we employ a Monte-Carlo sampling technique to estimate reconstruction uncertainty mappings during training. By iteratively optimizing reconstruction training under the guidance of both epistemic and aleatoric uncertainty, U2AD reduces overall reconstruction variance while emphasizing regions. Experimental results demonstrate that U2AD outperforms existing supervised and unsupervised methods in patient-level identification and segment-level localization tasks. This framework establishes a new benchmark for incorporating uncertainty guidance into UAD, highlighting its clinical utility in addressing domain shifts and task conflicts in medical image anomaly detection. Our code is available: https://github.com/zhibaishouheilab/U2AD

arxiv情報

提供元, 利用サービス

arxiv.jp, Google