基于变分自编码器的无监督异常定位
机器学习
2019-07-12 v2 图像与视频处理
机器学习
摘要
对医学图像中可能被忽略的异常进行无假设自动检查，将是放射科医生的宝贵辅助。深度学习和特别是变分自编码器（VAEs）在无监督学习数据分布方面已展现出巨大潜力。原则上，这允许此类检查甚至对图像中最可疑部分的定位。然而，当前基于重建的定位在设计上需要将模型架构调整到评估时所针对的特定问题。这与构建无假设模型的原则相悖。我们提出用由 Kullback-Leibler（KL）散度导出的项来补充定位部分。为验证，我们在 FashionMNIST 以及一项包含 >1000 名健康者与 >250 名脑肿瘤患者的医学任务上进行了一系列实验。结果表明，所提出的形式主义在许多超参数设置下优于最先进的基于 VAE 的异常定位，并展现出具有竞争力的峰值性能。
引用
@article{arxiv.1907.02796,
title = {Unsupervised Anomaly Localization using Variational Auto-Encoders},
author = {David Zimmerer and Fabian Isensee and Jens Petersen and Simon Kohl and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:1907.02796},
year = {2019}
}