[논문 리뷰] Anomaly Detection with Deep Perceptual Autoencoders.

Nina Tuluptceva, Bart Bakker외 3명|arXiv (Cornell University)|2020. 06. 23.

Anomaly Detection Techniques and Applications참고 문헌 47인용 수 17

한 줄 요약

이 논문은 복잡한 의료 영상에서의 비정상 영상 탐지에 적합한 딥 퍼셉추얼 오토에인코더 프레임워크를 제안한다. 재설계된 훈련 파이pline과 강력한 비정상성 스코어링 메커니즘을 활용하여 성능을 향상시킨다. 또한, 초라한 정상 유사 이상 데이터를 최소한으로 사용하여 하이퍼파ram터를 校정함으로써 자연 이미지 및 의료 영상 벤치마크에서 최신 기술들을 능가한다.

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.

연구 동기 및 목표

• 흉부 X-ray 및 림프절 전이와 같은 복잡한 의료 영상에서 미세한 이상을 탐지하는 데 있어 기존 딥 러닝 방법의 한계를 해결하기 위해.
• 하이퍼파ram터 조정을 위해 소수의 정상 유사 이상 데이터를 통합함으로써 엄격한 완전 무 supervision 가정을 완화하기 위해.
• 의료 영상 작업에 적합한 강력하고 고해상도의 이미지 재구성 및 비정상성 스코어링 메커니즘을 개발하기 위해.
• 어려운 의료 데이터셋에서 최신 기술들을 능가하는 새로운 강력한 베이스라인을 설정하기 위해.

제안 방법

• 정상 영상에서 특징 표현 학습을 향상시키기 위해 퍼셉추얼 손실을 활용한 딥 오토에인코더 아키텍처를 사용한다.
• 흉부 스캔과 같은 고해상도, 복잡한 영상에서의 훈련을 안정화시키기 위해 재설계된 훈련 파이프라인을 도입한다.
• 다중 척도 재구성 오차와 함께 퍼셉추얼 특징 재구성 손실을 사용하여 이상을 스코어링한다.
• 모델 일반화를 향상시키기 위해 전체 비정상 데이터가 필요로 하지 않는 한, 제한된 정상 유사 이상 데이터 세트를 사용해 하이퍼파ram터를 초기화한다.
• 비정상 데이터 없이 정상 데이터만으로 엔드 투 엔드로 훈련되며, 재구성 오차 임계값을 통해 이상 탐지가 수행된다.
• 최종 비정상성 스코어는 픽셀 수준과 퍼셉추얼 수준의 재구성 오차를 통합하여 미세한 이상에 대한 민감도를 향상시킨다.

실험 결과

연구 질문

• RQ1 기존의 무 supervision 방법과 비교해 복잡한 의료 영상에서 더 뛰어난 이상 탐지 성능을 달성할 수 있는가?
• RQ2 소수의 정상 유사 이상 데이터를 도입함으로써 완전 무 supervision 환경에서 하이퍼파라미터 조정과 모델의 강건성에 어떤 영향을 미치는가?
• RQ3 퍼셉추얼 손실과 재구성 손실을 조합함으로써 영상 진단 및 병리 영상에서의 미세한 이상 탐지에 얼마나 기여하는가?
• RQ4 제안된 방법이 흉부 X-ray 및 디지털 병리학과 같은 다양한 의료 영상 모odalities에 일반화되는가?
• RQ5 미래의 의료 영상 이상 탐지 연구를 위한 강력하고 신뢰할 수 있는 기초 베이스라인으로서의 가능성이 있는가?

주요 결과

• 제안된 방법은 벤치마크 자연 이미지 데이터셋에서 최신 기술들을 능가하며, 더 높은 탐지 정확도를 보였다.
• 의료 영상 데이터셋에서, 흉부 X-ray의 거의 보이지 않는 이상 및 림프절 전이의 탐지에서 뛰어난 성능을 달성했다.
• 퍼셉추얼 손실과 재구성 손실을 통합함으로써 픽셀 수준의 재구성만을 사용하는 것보다 더 민감한 미세한 이상 탐지가 가능했다.
• 하이퍼파라미터 조정을 위해 소수의 정상 유사 이상 데이터를 사용함으로써 모델의 안정성과 성능이 크게 향상되었으며, 이는 무 supervision 학습 철학을 위반하지 않았다.
• 특히 복잡한 의료 영상 응용 분야에서 이미지 이상 탐지의 새로운 강력한 기초 베이스라인을 수립했다.