真实世界中的深度生成模型：来自医学影像的开放挑战

深度学习的近期进展带来了新颖的生成建模技术，这些技术在生成样本质量以及学习影像数据中复杂分布的性能上达到了前所未有的水平。医学图像计算中的这些新模型具有重要应用，构成了临床相关且极具挑战性的无监督学习问题。在本文中，我们探讨了使用最先进的基于自编码器的深度生成模型（如变分自编码器和对抗自编码器）用于其中一项任务的可行性：医学影像中的异常检测。我们利用典型的公开可用数据集，包含健康受试者以及中风病灶与脑肿瘤患者的脑部扫描。我们使用健康受试者的数据训练不同的基于自编码器的模型以学习健康图像的分布，并将病理作为离群点检测。能更好学习数据分布的模型应能够更准确地检测离群点。我们评估了深度生成模型的检测性能，并与基于非深度学习的方法进行比较，以提供当前研究状态的基准。我们得出结论：异常检测对深度生成模型而言是一项挑战性任务，存在很大的改进空间。为促进进一步研究，我们旨在向研究界提供经过精心预处理的影像数据。