基于深度学习与含噪训练数据的三维脑MRI无监督异常检测
图像与视频处理
2022-04-13 v1 计算机视觉与模式识别
摘要
人脑磁共振成像(MRI)扫描中病灶的检测仍然具有挑战性、耗时且容易出错。近年来,无监督异常检测(UAD)方法在该任务上展现出有前景的结果。这些方法依赖于仅包含健康样本的训练数据集。与有监督方法相比,这显著减少了对大量标注训练数据的需求。然而,数据标注仍然容易出错。我们研究了训练数据中的非健康样本如何影响脑MRI扫描的异常检测性能。在评估中,我们考虑了三个公开可用数据集,并使用自编码器(AE)作为UAD的成熟基线方法。我们通过向来自T1加权MRI扫描的健康样本训练集中注入不同数量的非健康样本,系统性地评估了含噪训练数据的影响。我们评估了一种基于AE重建误差在训练过程中直接识别错误标注样本的方法。我们的结果表明,即使只有少量错误标注样本,使用含噪数据训练也会显著降低UAD性能。通过基于重建损失在训练过程中直接进行离群点去除,我们证明了可以检测并移除错误标注数据,从而缓解错误标注数据的影响。总体而言,我们强调了干净数据集对于脑MRI中UAD的重要性,并展示了一种在训练过程中直接检测错误标注数据的方法。
引用
@article{arxiv.2204.05778,
title = {Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data},
author = {Finn Behrendt and Marcel Bengs and Frederik Rogge and Julia Krüger and Roland Opfer and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2204.05778},
year = {2022}
}
备注
Accepted for publication at the ISBI22 conference