渐进式 GANomaly：基于渐进生长 GAN 的异常检测
计算机视觉与模式识别
2022-06-09 v1 图像与视频处理
摘要
在医学影像中，获取大量标注数据常是一大障碍，因为标注与病灶均稀缺。异常检测是一种仅以正常（未标注）数据训练，便能检测未见异常数据的方法。已有若干基于生成对抗网络（GANs）的算法执行该任务，但因 GAN 的不稳定性而存在一定局限。本文提出一种新方法，将已有方法 GANomaly 与渐进生长 GAN 相结合。后者因其生成高分辨率图像的能力而已知更为稳定。该方法使用 Fashion MNIST、Medical Out-of-Distribution Analysis Challenge（MOOD）以及内部脑 MRI 数据进行测试，采用 16x16 与 32x32 大小的块。Progressive GANomaly 在 Fashion MNIST 上优于单类 SVM 或常规 GANomaly。在 MOOD 图像中生成了具有不同强度与直径的模拟异常。Progressive GANomaly 检测出了最多具有不同强度与尺寸的异常。此外，渐进式 GANomaly 的中间重建结果被证明更优。在内部脑 MRI 数据集上，常规 GANomaly 优于其他方法。
引用
@article{arxiv.2206.03876,
title = {Progressive GANomaly: Anomaly detection with progressively growing GANs},
author = {Djennifer K. Madzia-Madzou and Hugo J. Kuijf},
journal= {arXiv preprint arXiv:2206.03876},
year = {2022}
}
备注
SPIE Medical Imaging 2022: Image Processing conference