A Study of Representational Properties of Unsupervised Anomaly Detection in Brain MRI

要約

MRI での異常検出は、イメージングと診断において高い臨床的価値があります。
異常検出のための教師なしメソッドは、再構成または潜在的な埋め込みに基づく興味深い定式化を提供し、因数分解に関連するプロパティを観察する方法を提供します。
4 つの既存のモデリング手法を研究し、単純なデータ サイエンス ツールを使用して経験的観察結果を報告し、因数分解の観点から結果を求めます。これは、脳構造 MRI の場合を考慮して、教師なし異常検出のタスクに最も関連するためです。
私たちの研究は、因数分解に関連する特性を示す異常検出アルゴリズムが、正常なデータと異常なデータを区別する描写能力を備えていることを示しています。
複数の異常および通常のデータセットで観察結果を検証しました。

要約(オリジナル)

Anomaly detection in MRI is of high clinical value in imaging and diagnosis. Unsupervised methods for anomaly detection provide interesting formulations based on reconstruction or latent embedding, offering a way to observe properties related to factorization. We study four existing modeling methods, and report our empirical observations using simple data science tools, to seek outcomes from the perspective of factorization as it would be most relevant to the task of unsupervised anomaly detection, considering the case of brain structural MRI. Our study indicates that anomaly detection algorithms that exhibit factorization related properties are well capacitated with delineatory capabilities to distinguish between normal and anomaly data. We have validated our observations in multiple anomaly and normal datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google