利用生成对抗网络进行无监督异常检测以指导标志物发现
计算机视觉与模式识别
2017-03-20 v1 机器学习
摘要
获取能够捕捉与疾病进展和治疗监测相关的影像标志物的模型颇具挑战。模型通常基于大量带有已知标志物标注示例的数据，旨在实现检测自动化。高昂的标注代价以及局限于已知标志物词汇表的限制，削弱了此类方法的效能。本文中，我们执行无监督学习，将影像数据中的异常识别为候选标志物。我们提出 AnoGAN，一种深度卷积生成对抗网络，用于学习正常解剖变异性的流形，并伴随一种基于从图像空间到潜在空间映射的新型异常评分方案。应用于新数据时，该模型标记异常，并对图像块进行评分，以指示其与所学分布的拟合程度。在视网膜光学相干断层扫描图像上的结果表明，该方法能正确识别异常图像，例如包含视网膜积液或高反射灶的图像。
引用
@article{arxiv.1703.05921,
title = {Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery},
author = {Thomas Schlegl and Philipp Seeböck and Sebastian M. Waldstein and Ursula Schmidt-Erfurth and Georg Langs},
journal= {arXiv preprint arXiv:1703.05921},
year = {2017}
}
备注
To be published in the proceedings of the international conference on Information Processing in Medical Imaging (IPMI), 2017