基于GAN的数字病理学中无监督异常检测
图像与视频处理
2021-03-17 v1 计算机视觉与模式识别
机器学习
摘要
机器学习（ML）算法是针对训练数据所代表的分布进行优化的。对于离群数据，它们常常给出置信度相同的预测，尽管这些预测不应被信赖。为了在临床实践中部署基于ML的数字病理学解决方案，检测异常数据的有效方法对于避免在离群场景下做出错误决策至关重要。我们提出了一种基于生成对抗网络（GANs）的组织病理学数据无监督异常检测新方法。与已有的用于医学影像的基于GAN的方法相比，所提方法在病理学数据上的性能有显著提升。我们的结果表明，组织病理学图像比先前方法所针对的数据要复杂得多。这种复杂性不仅需要一个更先进的GAN架构，还需要一个合适的异常度量来刻画重建图像的质量。
引用
@article{arxiv.2103.08945,
title = {Unsupervised anomaly detection in digital pathology using GANs},
author = {Milda Pocevičiūtė and Gabriel Eilertsen and Claes Lundström},
journal= {arXiv preprint arXiv:2103.08945},
year = {2021}
}