ADFA：用于无监督医学异常检测的注意力增强可微 top-k 特征自适应
计算机视觉与模式识别
2023-08-30 v1
摘要
标注数据的稀缺性，尤其对于罕见疾病，限制了训练数据的多样性与可检测病变的范围，给医学影像中的有监督异常检测带来重大挑战。为解决此问题，我们提出一种新颖的无监督医学图像异常检测方法：注意力增强可微 top-k 特征自适应（ADFA）。该方法利用在 ImageNet 上预训练的 Wide-ResNet50-2 (WR50) 网络提取初始特征表示。为在降低通道维数的同时保留相关通道信息，我们在提取的特征上采用注意力增强的块描述子。随后应用可微 top-k 特征自适应来训练块描述子，将提取的特征表示映射到新的向量空间，从而实现异常的有效检测。实验表明，ADFA 在多个具有挑战性的医学图像数据集上优于最先进（SOTA）方法，证实了其在医学异常检测中的有效性。
引用
@article{arxiv.2308.15280,
title = {ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection},
author = {Yiming Huang and Guole Liu and Yaoru Luo and Ge Yang},
journal= {arXiv preprint arXiv:2308.15280},
year = {2023}
}