使用聚合范数扩散的无监督异常检测
计算机视觉与模式识别
2023-12-05 v1 机器学习
图像与视频处理
摘要
在医学图像（如脑部 MRI）中早期检测异常与许多疾病的诊断和治疗高度相关。监督机器学习方法仅限于少数具有充足标注数据的病理类型。相比之下，无监督异常检测（UAD）有望通过发现与正常模式的偏离来识别更广泛的异常。我们的研究表明，现有的最先进 UAD 方法在现实的多模态 MR 数据中不能很好地泛化到不同类型的异常。为了克服这一问题，我们提出了一种名为聚合范数扩散（ANDi）的新 UAD 方法。ANDi 通过聚合在金字塔高斯噪声上训练的去噪扩散概率模型（DDPMs）中预测去噪步骤与真实后向转移之间的差异来运作。我们在三个不同的脑部 MRI 数据集上，将 ANDi 与三个最近的 UAD 基线方法进行了验证。结果表明，在某些情况下，ANDi 大幅超越了这些基线方法，并且对各种类型的异常表现出更强的鲁棒性。特别是在检测多发性硬化症（MS）病灶时，ANDi 在 AUPRC 指标上实现了高达 178% 的提升。
引用
@article{arxiv.2312.01904,
title = {Unsupervised Anomaly Detection using Aggregated Normative Diffusion},
author = {Alexander Frotscher and Jaivardhan Kapoor and Thomas Wolfers and Christian F. Baumgartner},
journal= {arXiv preprint arXiv:2312.01904},
year = {2023}
}