[論文レビュー] Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI

Finn Behrendt, Debayan Bhattacharya+3 more|arXiv (Cornell University)|Mar 7, 2023

Advanced Neuroimaging Techniques and Applications被引用数 10

ひとこと要約

この論文は、脳MRIの無監督異常検知のためのパッチ拡散モデル（pDDPM）を提案し、BraTS21とMSLUBデータセットでベースラインを上回ることを示しています。

ABSTRACT

The use of supervised deep learning techniques to detect pathologies in brain MRI scans can be challenging due to the diversity of brain anatomy and the need for annotated data sets. An alternative approach is to use unsupervised anomaly detection, which only requires sample-level labels of healthy brains to create a reference representation. This reference representation can then be compared to unhealthy brain anatomy in a pixel-wise manner to identify abnormalities. To accomplish this, generative models are needed to create anatomically consistent MRI scans of healthy brains. While recent diffusion models have shown promise in this task, accurately generating the complex structure of the human brain remains a challenge. In this paper, we propose a method that reformulates the generation task of diffusion models as a patch-based estimation of healthy brain anatomy, using spatial context to guide and improve reconstruction. We evaluate our approach on data of tumors and multiple sclerosis lesions and demonstrate a relative improvement of 25.1% compared to existing baselines.

研究の動機と目的

• ピクセルレベルのアノテーションを用いずに脳MRIの病変検出を行うという課題に対処するため、教師なし異常検知を用いる。
• 拡散ベースの生成を、空間文脈に guided された健常な脳解剖のパッチベース推定として再定式化する。
• 滑動窓とパッチの縫合を介して周囲の文脈を取り込み、全脳解剖を再構成するパッチレベルのデノイングを導入する。
• BraTS21とMSLUBデータセットでpDDPMを評価し、確立されたUADベースラインと比較して性能向上を示す。

提案手法

• 入力画像のパッチに前向き拡散プロセスを適用し、残りの画像はそのままにする。
• 周囲組織の文脈内で元のパッチを推定するように逆拡散ステップを学習するU-Netを使用する。
• パッチ領域でLpベースの損失（L_p）または全再構成損失（L_rec）で訓練し、効率のために固定のテスト時ステップt_testを使用する。
• 評価時には画像全体をスライディングウィンドウでパッチ拡散-デノイズを行い、すべてのパッチを再構成して縫い合わせ、重なり領域を平均化する。

実験結果

リサーチクエスチョン

• RQ1 周囲の空間的文脈を活用するパッチベースの拡散モデルは、非パッチDDPMや他のベースラインと比べて脳MRIの無監督異常検知を改善しますか？
• RQ2 パッチサイズとテスト時の拡散パラメータ（例：t_test）はBraTS21とMSLUBデータセットのUAD性能にどのように影響しますか？

主な発見

モデル	DICE [%]	AUPRC [%]	DICE [%]	AUPRC [%]	l1 (1e-3)
Thresh	19.69	20.27	6.21	4.23	145.12
AE	32.87 b1 1.25	31.07 b1 1.75	7.10 b1 0.68	5.58 b1 0.26	30.55 b1 0.27
VAE	31.11 b1 1.50	28.80 b1 1.92	6.89 b1 0.09	5.00 b1 0.40	31.28 b1 0.71
SVAE	33.32 b1 0.14	33.14 b1 0.20	5.76 b1 0.44	5.04 b1 0.13	28.08 b1 0.02
DAE	37.05 b1 1.42	44.99 b1 1.72	3.56 b1 0.91	5.35 b1 0.45	10.12 b1 0.26
f-AnoGAN	24.16 b1 2.94	22.05 b1 3.05	4.18 b1 1.18	4.01 b1 0.90	45.30 b1 2.98
DDPM	40.67 b1 1.21	49.78 b1 1.02	6.42 b1 1.60	7.44 b1 0.52	13.46 b1 0.65
pDDPM + random sampling + Lrec	44.47 b1 2.34	48.84 b1 2.71	9.41 b1 0.96	9.13 b1 1.13	14.08 b1 0.77
pDDPM + fixed sampling + Lrec	47.81 b1 1.15	52.38 1.17	10.47 1.27	10.58 0.85	12.12 1 0.76
pDDPM + fixed sampling + Lp	49.00 b1 0.84	54.07 b1 1.06	10.35 b1 0.69	9.79 b1 0.40	11.05 b1 0.15

• 固定サンプリングとLp損失を用いたpDDPMは、評価対象の方法の中でBraTS21とMSLUBの最高のDiceとAUPRCを達成（BraTS21 Dice 49.00%、AUPRC 54.07%；MSLUB Dice 10.35？表を参照のとおり） 。
• pDDPM法はデータセットの両方でDICEとAUPRCをベースラインより上回り、BraTS21で統計的有意性を持って上回る（p<0.05）。
• パッチサイズ60x60ピクセルが最良の性能を示し、t_test around 400に対応するテスト時ノイズレベルが性能ピークを提供した。
• IXIデータ上の再構成品質では、DAEが最も低いl1誤差を示し、pDDPMはDDPMより小さな誤差を達成しており、異常検出性を保ちながら健常脳再構成を改善することを示唆する。