用于医学图像无监督异常检测与定位的约束对比分布学习
计算机视觉与模式识别
2021-07-01 v2
摘要
无监督异常检测(UAD)仅使用正常（即健康）图像学习一类分类器，以检测任何不符合预期正常模式的异常（即不健康）样本。与全监督方法相比，UAD有两个主要优势。首先，它能够直接利用健康筛查项目中提供的大型数据集，这些数据集主要包含正常图像样本，从而避免了异常样本 costly 的人工标注以及随后在极端类别不平衡数据上训练所涉及的问题。此外，UAD方法有可能检测并定位任何偏离正常模式的病变。UAD方法面临的一个重大挑战是如何学习有效的低维图像表示，以检测和定位通常由小病变组成的细微异常。为应对这一挑战，我们提出了一种新颖的自监督表示学习方法，称为用于异常检测的约束对比分布学习(CCD)，该方法通过利用带前置约束的对比学习同时预测增强数据的分布和图像上下文，来学习细粒度特征表示。学习到的表示可用于训练对异常更敏感的检测模型。大量实验结果表明，我们的方法在三个不同的结肠镜和眼底筛查数据集上优于当前最先进的UAD方法。我们的代码可在 https://github.com/tianyu0207/CCD 获取。
引用
@article{arxiv.2103.03423,
title = {Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images},
author = {Yu Tian and Guansong Pang and Fengbei Liu and Yuanhong chen and Seon Ho Shin and Johan W. Verjans and Rajvinder Singh and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2103.03423},
year = {2021}
}
备注
Accepted at MICCAI 2021