Diffusion Models for Medical Anomaly Detection

要約

医療分野では、画像レベルのアノテーションのみで学習が可能な弱教師付き異常検出法が注目されている。現在の異常検出手法は、主に生成的敵対ネットワークやオートエンコーダーモデルに依存している。これらのモデルは、しばしば学習が複雑であったり、画像の細かいディテールを保持することが困難であったりする。我々は、ノイズ除去拡散陰影モデルに基づく、弱い教師ありの新しい異常検出法を提案する。我々は、決定論的な反復ノイズ処理とノイズ除去方式を、疾患被験者と健常被験者との間の画像間変換のための分類器ガイダンスと組み合わせることで、疾患被験者と健常被験者との間の画像間変換を行う。本手法は、複雑な学習手順を必要とせず、非常に詳細な異常マップを生成する。本手法を脳腫瘍検出のためのBRATS2020データセットと胸水検出のためのCheXpertデータセットで評価する．

要約(オリジナル)

In medical applications, weakly supervised anomaly detection methods are of great interest, as only image-level annotations are required for training. Current anomaly detection methods mainly rely on generative adversarial networks or autoencoder models. Those models are often complicated to train or have difficulties to preserve fine details in the image. We present a novel weakly supervised anomaly detection method based on denoising diffusion implicit models. We combine the deterministic iterative noising and denoising scheme with classifier guidance for image-to-image translation between diseased and healthy subjects. Our method generates very detailed anomaly maps without the need for a complex training procedure. We evaluate our method on the BRATS2020 dataset for brain tumor detection and the CheXpert dataset for detecting pleural effusions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL