面向医学图像的边界感知类内新颖性识别

传统的异常检测方法侧重于检测类间差异，而医学图像新颖性识别本质上是一个类内检测问题。例如，一个用正常胸部X光片和常见肺部异常训练的机器学习模型，应当能够发现并标记特发性肺纤维化——一种罕见的肺部疾病，且在训练时模型未见过。医学图像分析中类内差异的细微性以及相关训练数据的缺乏，给现有异常检测方法带来了巨大挑战。为应对这些挑战，我们提出了一种混合模型——基于变换的新颖性检测嵌入学习（TEND），该模型无需任何分布外训练数据，通过结合基于自编码器和基于分类器的方法来进行新颖性识别。以一个预训练的自编码器作为图像特征提取器，TEND学习将分布内数据的特征嵌入与作为伪分布外输入的变换后对应物区分开来。为增强分离效果，优化了一个距离目标以在两类之间强制形成一个边界。我们在自然图像数据集和医学图像数据集上给出了大量实验结果，且我们的方法优于最先进的（SOTA）方法。