用于内镜图像多类异常检测的判别自编码器栈
计算机视觉与模式识别
2021-08-23 v2 人工智能
摘要
无线胶囊内镜(WCE)帮助医生非侵入性地检查胃肠道(GI)。目前极少有研究在多类分类中解决内镜图像的病理评估,且大多数基于二值异常检测或旨在检测特定类型异常。多类异常检测具有挑战性,尤其在数据集采样不足或不平衡时。内镜领域的许多可用数据集(如KID2)存在不平衡问题,难以训练高性能模型。此外,增加类别数使分类更困难。我们提出了一种可扩展至任意类别数且能处理不平衡问题的多类分类算法。所提方法使用多个自编码器,每个在一个类别上训练以提取与其他类别最具判别性的特征。自编码器的损失函数基于重构、紧致性、与其他类别的距离以及Kullback-Leibler(KL)散度设定。提取的特征被聚类,然后使用支持向量数据描述符集成进行分类。使用来自KID2数据集的共1778张正常、227张炎症、303张血管和44张息肉图像进行评估。整个算法运行5次,在测试集上二值与多类异常检测的F1分数分别达到96.3±0.2%与85.0±0.4%。通过多种消融研究考察了算法各步骤的影响,并与已发表工作进行比较。所提方法是GI领域检测多类异常的一个有竞争力的选项。
引用
@article{arxiv.2103.08508,
title = {Stack of discriminative autoencoders for multiclass anomaly detection in endoscopy images},
author = {Mohammad Reza Mohebbian and Khan A. Wahid and Paul Babyn},
journal= {arXiv preprint arXiv:2103.08508},
year = {2021}
}