一种基于流生成模型的半监督环境下医学图像通用异常检测方法
图像与视频处理
2020-10-21 v3 计算机视觉与模式识别
机器学习
摘要
医学图像中的漏检是一个关键问题，及时报告医学图像为人们所期望。因此，一种能够检测给定图像中几乎所有类型病灶/疾病的通用异常检测方法被强烈需求。然而，迄今为止市面上可用的通用医学图像异常检测方法寥寥无几。近来，基于深度学习方法的异常检测方法迅速普及，这些方法似乎为该问题提供了合理的解决方案。但是，深度学习训练所需图像标注的工作负担依然沉重。在本研究中，我们提出一种基于两个已训练流生成模型的异常检测方法。利用该方法，后验概率可作为任意给定图像的正常性度量被计算。生成模型的训练需要两组图像：一组仅含正常图像，另一组含正常与异常图像但无任何标签。在后一组中，每个样本不必被标注为正常或异常；因此，任何图像混合（例如医院中的所有病例）均可作为数据集使用，无需繁琐的人工标注。该方法通过两类医学图像验证：胸部 X 线摄影（CXRs）与脑部计算机断层扫描（BCTs）。CXRs（肺炎样混浊为 0.868）与 BCTs（梗死为 0.904）对数后验概率的受试者工作特征曲线下面积与其他异常检测方法既往研究相当。该结果显示了我们方法的通用性。
引用
@article{arxiv.2001.07847,
title = {A versatile anomaly detection method for medical images with a flow-based generative model in semi-supervision setting},
author = {H. Shibata and S. Hanaoka and Y. Nomura and T. Nakao and I. Sato and D. Sato and N. Hayashi and O. Abe},
journal= {arXiv preprint arXiv:2001.07847},
year = {2020}
}