用于胸片异常检测的解剖感知自监督学习
计算机视觉与模式识别
2022-06-14 v2
摘要
大量标注医学图像对于准确检测异常至关重要，但人工标注费力且耗时。自监督学习（SSL）是一种无需人工标注即可学习数据特定特征的训练方法。若干基于 SSL 的模型已用于医学图像异常检测。这些 SSL 方法在自然图像和工业产品图像等若干特定领域图像中有效学习了表示。然而，由于需要医学专业知识，典型的基于 SSL 的模型在医学图像异常检测中效率低下。我们提出了一种基于 SSL 的模型，可实现基于解剖结构的无监督异常检测（UAD）。该模型采用解剖感知粘贴（AnatPaste）增强工具。AnatPaste 利用基于阈值的肺分割前置任务在正常胸片中制造异常，用于模型预训练。这些异常与真实异常相似，有助于模型识别它们。我们在三个开源胸片数据集上评估了我们的模型。我们的模型曲线下面积（AUC）分别为 92.1%、78.7% 和 81.9%，为现有 UAD 模型中的最高值。这是首个将解剖信息用作前置任务的 SSL 模型。AnatPaste 可应用于多种深度学习模型与下游任务，通过设定适当的分割也可用于其他模态。我们的代码公开于：https://github.com/jun-sato/AnatPaste。
引用
@article{arxiv.2205.04282,
title = {Anatomy-aware Self-supervised Learning for Anomaly Detection in Chest Radiographs},
author = {Junya Sato and Yuki Suzuki and Tomohiro Wataya and Daiki Nishigaki and Kosuke Kita and Kazuki Yamagata and Noriyuki Tomiyama and Shoji Kido},
journal= {arXiv preprint arXiv:2205.04282},
year = {2022}
}