X 射线图像的无监督异常检测
图像与视频处理
2020-11-05 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
获取医学（图像）数据的标签需要稀缺且昂贵的专家。此外，由于症状模糊，单张图像很少足以正确诊断医学状况。相反，往往需要综合考虑额外背景信息，如患者病史或检测结果。因此，我们不去关注以端到端方式给出不确定最终诊断的不可解释黑盒系统，而是研究如何利用在无异常图像上训练的无监督方法来辅助医生评估手部 X 射线图像。我们的方法提高了诊断效率并降低了遗漏重要区域的风险。为此，我们采用最先进的无监督学习方法来检测异常，并展示如何解释这些方法的输出。为减少常被误认为异常的噪声影响，我们引入了一套强大的预处理流程。我们对不同方法进行了广泛评估，并从经验上证明，即使在无标签情况下，也能在真实世界手部 X 射线图像数据集上取得令人满意的结果。我们还评估了预处理的重要性，主要发现之一是若无预处理，多数方法表现不优于随机。为促进可复现性和加速研究，我们在 https://github.com/Valentyn1997/xray 公开了代码。
引用
@article{arxiv.2001.10883,
title = {Unsupervised Anomaly Detection for X-Ray Images},
author = {Diana Davletshina and Valentyn Melnychuk and Viet Tran and Hitansh Singla and Max Berrendorf and Evgeniy Faerman and Michael Fromm and Matthias Schubert},
journal= {arXiv preprint arXiv:2001.10883},
year = {2020}
}