ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection

要約

特に希少疾患の場合、注釈付きデータが不足しているため、トレーニング データの変動性や検出可能な病変の範囲が制限され、医療画像処理における教師あり異常検出には大きな課題が生じています。
この問題を解決するために、我々は、医療画像異常検出のための新しい教師なし手法、すなわち、注意拡張微分可能トップ k 特徴適応 (ADFA) を提案します。
この方法では、ImageNet で事前トレーニングされた Wide-ResNet50-2 (WR50) ネットワークを利用して、初期特徴表現を抽出します。
関連するチャネル情報を維持しながらチャネルの次元を削減するために、抽出された特徴に対して注意を強化したパッチ記述子を採用します。
次に、微分可能なtop-k特徴適応を適用してパッチ記述子をトレーニングし、抽出された特徴表現を新しいベクトル空間にマッピングして、異常の効果的な検出を可能にします。
実験では、ADFA が複数の困難な医療画像データセットに対して最先端 (SOTA) 手法を上回るパフォーマンスを示し、医療異常検出における ADFA の有効性が確認されました。

要約(オリジナル)

The scarcity of annotated data, particularly for rare diseases, limits the variability of training data and the range of detectable lesions, presenting a significant challenge for supervised anomaly detection in medical imaging. To solve this problem, we propose a novel unsupervised method for medical image anomaly detection: Attention-Augmented Differentiable top-k Feature Adaptation (ADFA). The method utilizes Wide-ResNet50-2 (WR50) network pre-trained on ImageNet to extract initial feature representations. To reduce the channel dimensionality while preserving relevant channel information, we employ an attention-augmented patch descriptor on the extracted features. We then apply differentiable top-k feature adaptation to train the patch descriptor, mapping the extracted feature representations to a new vector space, enabling effective detection of anomalies. Experiments show that ADFA outperforms state-of-the-art (SOTA) methods on multiple challenging medical image datasets, confirming its effectiveness in medical anomaly detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google