AMAE：预训练掩码自编码器在胸片双分布异常检测中的自适应方法
计算机视觉与模式识别
2023-07-31 v3
摘要
胸部X光片等医学图像的无监督异常检测正步入聚光灯下，因为它缓解了异常数据专家标注劳动密集且成本高昂的稀缺性问题。然而，几乎所有现有方法都被表述为仅在正常类表征上训练的一类分类，并丢弃了潜在可观部分的未标注数据。本文关注一个更实际的设定——胸片的双分布异常检测，使用全部训练数据，包括正常与未标注图像。受现代自监督视觉Transformer模型（通过部分图像输入训练以重建缺失图像区域）的启发，我们提出AMAE，一种用于预训练掩码自编码器（MAE）自适应的两阶段算法。从MAE初始化出发，AMAE首先从仅正常训练图像创建合成异常，并在冻结的Transformer特征上训练轻量级分类器。随后，我们提出一种自适应策略以利用含异常的未标注图像。该自适应方案通过对未标注图像赋予伪标签，并使用两个独立的基于MAE的模块对伪标签图像的规范分布与异常分布进行建模来完成。所提自适应策略的有效性在不同异常比例的未标注训练集中进行了评估。AMAE相较竞争的自监督与双分布异常检测方法带来了一致的性能提升，在RSNA、NIH-CXR和VinDr-CXR三个公开胸片基准上确立了新的SOTA。
引用
@article{arxiv.2307.12721,
title = {AMAE: Adaptation of Pre-Trained Masked Autoencoder for Dual-Distribution Anomaly Detection in Chest X-Rays},
author = {Behzad Bozorgtabar and Dwarikanath Mahapatra and Jean-Philippe Thiran},
journal= {arXiv preprint arXiv:2307.12721},
year = {2023}
}
备注
To be presented at MICCAI 2023