[論文レビュー] Anomaly Detection with Deep Perceptual Autoencoders.

Nina Tuluptceva, Bart Bakker+3 more|arXiv (Cornell University)|Jun 23, 2020

Anomaly Detection Techniques and Applications参考文献 47被引用数 17

ひとこと要約

本論文は、再設計されたトレーニングパイプラインと頑健な異常スコアリングメカニズムを活用して、複雑な医用画像における異常検出を向上させる、教師なし画像異常検出を目的としたディープパーセプチュアルオートエンコーダーフレームワークを提案する。正常に似た異常を最小限に用いることでハイパーパrameterをキャリブレーションし、自然画像および医用画像ベンチマークで最先端の手法を上回る性能を発揮する。

ABSTRACT

Anomaly detection is the problem of recognizing abnormal inputs based on the seen examples of normal data. Despite recent advances of deep learning in recognizing image anomalies, these methods still prove incapable of handling complex medical images, such as barely visible abnormalities in chest X-rays and metastases in lymph nodes. To address this problem, we introduce a new powerful method of image anomaly detection. It relies on the classical autoencoder approach with a re-designed training pipeline to handle high-resolution, complex images and a robust way of computing an image abnormality score. We revisit the very problem statement of fully unsupervised anomaly detection, where no abnormal examples at all are provided during the model setup. We propose to relax this unrealistic assumption by using a very small number of anomalies of confined variability merely to initiate the search of hyperparameters of the model. We evaluate our solution on natural image datasets with a known benchmark, as well as on two medical datasets containing radiology and digital pathology images. The proposed approach suggests a new strong baseline for image anomaly detection and outperforms state-of-the-art approaches in complex medical image analysis tasks.

研究の動機と目的

• コントロールX線やリンパ節転移など、複雑な医用画像における微細な異常を検出するための従来のディープラーニング手法の限界に対処すること。
• ハイパーパrameterキャリブレーションのために、少数の正常に似た異常を組み込むことで、完全に教師なしの仮定を緩和すること。
• 医用画像処理タスクに適した、頑健で高解像度の画像再構成および異常スコアリングメカニズムを開発すること。
• 挑戦的な医用データセットにおいて、最先端のアプローチを上回る新しい強力なベースラインを確立すること。

提案手法

• 本手法は、正常画像からの特徴表現学習を強化するため、パーセプチュアル損失を用いたディープオートエンコーダー・アーキテクチャを採用する。
• コントロールX線などの高解像度で複雑な画像におけるトレーニングを安定化させるために、再設計されたトレーニングパイプラインを導入する。
• 異常は、マルチスケールの再構成誤差とパーセプチュアル特徴再構成損失を組み合わせてスコア化する。
• ハイパーパrameterは、完全な異常データを必要とせず、モデルの汎化性能を向上させるために、限定的で正常に似た異常データの小さな集合を用いて初期化する。
• モデルは正常データのみでエンドツーエンドにトレーニングされ、再構成誤差のしきい値を用いて異常検出が行われる。
• 最終的な異常スコアは、ピクセルレベルとパーセプチュアルレベルの両方の再構成誤差を統合することで、微細な異常に対する感受性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 既存の教師なし手法と比較して、ディープパーセプチュアルオートエンコーダーは、複雑な医用画像における優れた異常検出性能を達成できるか？
• RQ2 少数の正常に似た異常を導入することで、完全に教師なしの設定におけるハイパーパrameterチューニングとモデルの頑健性にどのような影響を与えるか？
• RQ3 パーセプチュアル損失と再構成損失を組み合わせることで、レントゲン画像や病理画像における微細な異常の検出がどの程度向上するか？
• RQ4 提案手法は、コントロールX線やデジタル病理学などの多様な医用画像モodalitiesに一般化可能か？
• RQ5 本手法は、将来的な医用画像異常検出分野の研究における強力で信頼できるベースラインとして機能できるか？

主な発見

• 提案手法は、ベンチマーク自然画像データセットにおいて最先端のアプローチを上回り、検出精度が向上していることを示した。
• 医用画像データセットにおいて、コントロールX線におけるわずかに見えにくい異常やリンパ節への転移の検出において、優れた性能を達成した。
• パーセプチュアル損失と再構成損失を統合することで、ピクセルレベルの再構成のみを用いる場合と比較して、微細な異常に対する検出感度が向上した。
• ハイパーパrameterチューニングに少数の正常に似た異常を用いることで、モデルの安定性と性能が顕著に向上したが、教師なし学習のパラダイムに反しない。
• 本手法は、特に複雑な医用画像処理応用分野において、画像異常検出の新しい強力なベースラインを確立した。