【论文阅读笔记】Towards Universal Unsupervised Anomaly Detection in Medical Imaging

Towards Universal Unsupervised Anomaly Detection in Medical Imaging

arxiv，19 Jan 2024 【开源】

【核心思想】

本文介绍了一种新的无监督异常检测方法—Reversed Auto-Encoders (RA)，旨在提高医学影像中病理检测的准确性和范围。RA通过生成类似健康的重建图像，能够检测到更广泛的病理类型，这在现有技术中是一个挑战。RA方法在多种医学成像模态（如脑部磁共振成像、儿童腕部X光片和胸部X光片）中展示了卓越的检测性能，与现有最先进的方法相比，RA在检测各种病理、解剖结构和成像模态方面都表现出更高的准确性和稳健性。此外，RA的自动异常检测能力在缺乏放射学专业知识的环境中特别有价值。然而，该研究也指出了在检测极其微妙的异常方面的限制，强调了需要改进异常图计算和开发更为复杂的评估指标，以满足临床诊断的精细需求。总的来说，RA框架在医学成像领域展现出巨大潜力，其能够准确地检测广泛的异常，对于推动医学成像与人工智能的结合、提高诊断过程的准确性具有重要意义。

【医学影像中的异常检测的常用方法概述】

1. 自监督方法：这些方法通过数据增强或预文本任务生成替代监督信号，利用数据固有特征和有限注释来识别异常。但这些方法可能会在预期的异常分布中引入偏见，尤其是当噪声或人工改变作为真实病理特征的代理时。例如，去噪自编码器（DAE）学习消除人工添加的粗糙高斯噪声，这种方法可能对特定异常（如脑肿瘤）有效，但对更广泛的异常检测应用有限。
2. 无监督异常检测：无监督方法旨在从正常人群中学习标准分布，然后将这些知识应用于异常检测。传统的自编码器（AE）和变分自编码器（VAE）在此领域起到了基础性作用。AEs通过编码解码架构捕捉和重建输入数据，假设异常将表现为显著的重建错误。然而，AEs常常难以学习详细的正常解剖特征，并不适合泛化到病理。VAEs通过规范化潜在空间并将其视为概率分布来解决AE的一些局限性。这种规范化允许更受约束的学习过程，使VAEs能更紧密地遵循标准分布。然而，这种规范化经常导致重建的图像模糊，这在识别微妙异常时可能是一个缺点。
3. 遮蔽自编码器（MAEs）：这些方法也利用了先进的神经网络架构的优势，但从不同的角度来处理异常检测问题。MAEs通过选择性地遮蔽输入数据的部分，并让模型预测这些遮蔽部分来工作。
4. 生成对抗网络（GANs）：GANs引入了对抗性训练方法，能够生成高度真实的图像。然而，它们可能会遭受模式崩溃，或生成与输入数据不一致的图像。为解决这些挑战，像软内省变分自编码器（SI-VAEs）等进步技术已经出现，它们融合了VAEs和GANs，旨在克服GANs在异常检测中的特定局限性。
5. 去噪扩散概率模型（DDPMs）：DDPMs采用一种迭代方法，涉及在图像空间中添加和随后去除噪声。然而，DDPMs的一个关键方面在于精心选择噪声水平，这一决策极大地影响它们的性能。

【方法】

1.方法提出的背景

在训练阶段（左），使用多尺度反向嵌入损失 ${\mathcal{L}}_{\text{Reversed }}$ ，结合证据下界（ELBO）和对抗优化，对编码器和解码器网络进行优化。在此过程中，解码器从随机噪声中生成合成图像，目的是欺骗编码器将其视为真实图像 $x_{\text{fake }}$ 。在推理阶段（右），RA模型处理一个新的输入 $x$ ，将其编码并重建为伪健康图像 $x_{\mathrm{ph}}$ 。异常检测是通过计算 $x$和 $x_{\mathrm{ph}}$ 之间的 L1 范数和感知差异来进行的，从而得到突出显示病理区域的异常图。

将“正常”称为没有病理。给定一组正态样本 $x\in X\subset {\mathbb{R}}^N$ ，AE的目标是找到函数 $f:{\mathbb{R}}^N\to {\mathbb{R}}^D$ ， $g:{\mathbb{R}}^D\to {\mathbb{R}}^N$ 使得 $x\approx g(f(x))$ 。 $f$ 分别 $g$ 称为编码器和解码器，将 $f$ 输入映射到较低维的表示形式。无监督异常检测(UAD)的基本假设是，这些学习的表示包含描述规范分布的特征，即使对于异常样本 $\bar{x}\notin X$ 也是如此。因此， $x_{ph}=(g(f(x$