MADGAN：基于多相邻脑 MRI 切片重建的无监督医学异常检测 GAN
计算机视觉与模式识别
2020-10-13 v2 机器学习
图像与视频处理
摘要
无监督学习可依赖大规模健康受试者未标注医学图像发现各种未见异常。为此，无监督方法重建单张 2D/3D 医学图像，以在所学特征空间或从高重建损失中检测离群值。然而，若不考虑多个相邻切片间的连续性，它们无法直接判别由细微解剖异常累积构成的疾病，如阿尔茨海默病（AD）。此外，尚无研究揭示无监督异常检测如何与疾病阶段、多种（即两类以上）疾病或多序列磁共振成像（MRI）扫描相关联。因此，我们提出无监督医学异常检测生成对抗网络（MADGAN），一种新颖的两步法，利用基于 GAN 的多相邻脑 MRI 切片重建在多序列结构 MRI 上检测不同阶段的脑异常：（重建）带梯度惩罚的 Wasserstein 损失 + 100 L1 损失——在 3 张健康脑轴位 MRI 切片上训练以重建随后 3 张——重建未见的健康/异常扫描；（诊断）每张扫描的平均 L2 损失通过比较真值/重建切片来判别它们。训练时，我们使用两个不同数据集，分别由 1,133 张健康 T1 加权（T1）和 135 张健康增强 T1（T1c）脑 MRI 扫描组成，用于检测 AD 和脑转移瘤/多种疾病。我们的自注意力 MADGAN 可在 T1 扫描上检测极早期阶段 AD（轻度认知障碍（MCI）），曲线下面积（AUC）为 0.727，晚期 AD 的 AUC 为 0.894，同时在 T1c 扫描上检测脑转移瘤的 AUC 为 0.921。
引用
@article{arxiv.2007.13559,
title = {MADGAN: unsupervised Medical Anomaly Detection GAN using multiple adjacent brain MRI slice reconstruction},
author = {Changhee Han and Leonardo Rundo and Kohei Murao and Tomoyuki Noguchi and Yuki Shimahara and Zoltan Adam Milacski and Saori Koshino and Evis Sala and Hideki Nakayama and Shinichi Satoh},
journal= {arXiv preprint arXiv:2007.13559},
year = {2020}
}
备注
23 pages, 11 figures, submitted to BMC Bioinformatics. Extended version of arXiv:1906.06114