Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image

要約

医療異常検出は、診断を支援するために異常な画像を認識することを目的とした重要な研究分野です。既存のほとんどの方法では、異常を検出するために正常なサンプルに対する合成異常と画像復元が採用されています。
正常データと異常データの両方からなるラベルのないデータは十分に調査されていません。
私たちは、健康画像の 1 クラスの半教師あり生成のための新しい空間認識アテンション生成敵対的ネットワーク (SAGAN) を導入します。私たちの核となる洞察は、位置エンコーディングとアテンションを利用して、異常領域の復元と正常領域の保存に正確に焦点を当てることです。
ラベルなしデータを最大限に活用するために、SAGAN は既存の不対画像変換手法の周期的一貫性要件を緩和し、正常な画像の再構成と疑似異常の復元によってラベルなしデータに対応する高品質の健康画像を生成します。
その後、生成された健康な画像と元の画像との差異が異常スコアとして利用されます。3 つの医療データセットに対する広範な実験により、提案された SAGAN が最先端の方法よりも優れていることが実証されました。

要約(オリジナル)

Medical anomaly detection is a critical research area aimed at recognizing abnormal images to aid in diagnosis.Most existing methods adopt synthetic anomalies and image restoration on normal samples to detect anomaly. The unlabeled data consisting of both normal and abnormal data is not well explored. We introduce a novel Spatial-aware Attention Generative Adversarial Network (SAGAN) for one-class semi-supervised generation of health images.Our core insight is the utilization of position encoding and attention to accurately focus on restoring abnormal regions and preserving normal regions. To fully utilize the unlabelled data, SAGAN relaxes the cyclic consistency requirement of the existing unpaired image-to-image conversion methods, and generates high-quality health images corresponding to unlabeled data, guided by the reconstruction of normal images and restoration of pseudo-anomaly images.Subsequently, the discrepancy between the generated healthy image and the original image is utilized as an anomaly score.Extensive experiments on three medical datasets demonstrate that the proposed SAGAN outperforms the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google