基于自监督聚合学习的 X 射线异常检测
图像与视频处理
2020-10-26 v1 计算机视觉与模式识别
摘要
采用监督学习模式的深度异常检测模型通常在闭集假设下工作，并易在训练时过拟合于先前见过的罕见异常，这阻碍了它们在真实场景中的适用性。此外，获取 X 射线的标注非常耗时，且需要放射科医师的大量训练。因此，以完全无监督或自监督方式训练异常检测将具有优势，可显著减少放射科医师撰写报告的时间。本文提出 SALAD，一种用于 X 射线图像异常检测的端到端深度自监督方法。所提方法基于一种优化策略，其中鼓励深度神经网络在嵌入空间中表示正常数据的典型局部模式。在训练期间，我们通过记忆库记录正常训练样本的典型模式。随后，我们的异常分数通过测量与记忆库中正常典型模式的加权组合的相似度得到，而不使用任何异常模式。我们在具有挑战性的 NIH Chest X-rays 和 MURA 数据集上进行了大量实验，结果表明我们的算法大幅改进了 SOTA 方法。
引用
@article{arxiv.2010.09856,
title = {Anomaly Detection on X-Rays Using Self-Supervised Aggregation Learning},
author = {Behzad Bozorgtabar and Dwarikanath Mahapatra and Guillaume Vray and Jean-Philippe Thiran},
journal= {arXiv preprint arXiv:2010.09856},
year = {2020}
}