[论文解读] Anomaly Detection for Skin Disease Images Using Variational Autoencoder

Yuchen Lu, Peng Xu|PolyPublie (École Polytechnique de Montréal)|Jul 3, 2018

Cutaneous Melanoma Detection and Management参考文献 13被引用 54

一句话总结

论文在 ISIC2018 Task 3 上使用变分自编码器（VAE）对皮肤病图像进行无监督异常检测，在黑色素瘤和 AKIEC 的 AUC 上取得显著表现。

ABSTRACT

In this paper, we demonstrate the potential of applying Variational Autoencoder (VAE) [10] for anomaly detection in skin disease images. VAE is a class of deep generative models which is trained by maximizing the evidence lower bound of data distribution [10]. When trained on only normal data, the resulting model is able to perform efficient inference and to determine if a test image is normal or not. We perform experiments on ISIC2018 Challenge Disease Classification dataset (Task 3) and compare different methods to use VAE to detect anomaly. The model is able to detect all diseases with 0.779 AUCROC. If we focus on specific diseases, the model is able to detect melanoma with 0.864 AUCROC and detect actinic keratosis with 0.872 AUCROC, even if it only sees the images of nevus. To the best of our knowledge, this is the first applied work of deep generative models for anomaly detection in dermatology.

研究动机与目标

• 展示深度生成模型，特别是 VAE，在皮肤科领域用于异常检测的潜力。
• 在正常皮肤图像上进行训练，以在没有标记异常的情况下检测异常疾病。
• 在 ISIC2018 Task 3 数据集上评估多种基于 VAE 的异常得分。

提出的方法

• 构建一个端到端的 Variational Autoencoder，采用受 DCGAN 启发的基于 CNN 的编码器/解码器架构。
• 优化一个对应 beta-VAE 目标的损失，使用较小的 beta 以在重构项和 KL 项之间取得平衡。
• 使用基于 VAE 的重构似然和 KL 散度计算异常分数，并与 IWAE 变体进行比较。
• 在皮肤科数据集（ISIC2018 Task 3）上评估多种异常评分策略。
• 使用 128x128 的图像预处理和 ADAM 优化；潜在维度为 300。

实验结果

研究问题

• RQ1 仅在正常皮肤图像上训练的 VAE 能否将多样的皮肤疾病检测为异常？
• RQ2 哪种异常分策略（重构、KL，或 IWAE 变体）在正常与异常图像之间实现最佳区分？
• RQ3 在仅用痣图像训练的前提下，基于 VAE 的异常检测在黑色素瘤和日光性角化病上的表现如何？
• RQ4 在该任务中使用简单先验的实际局限性有哪些？

主要发现

• 基于重构的得分（s_vae^reconst）在所有疾病上的最佳整体 AUC 为 0.779；在单独评估时，AKIEC 可达到 0.872，MEL 可达到 0.864。
• IWAE 基于的分数在此设置中比标准 VAE 提供的提升有限，AUC 差异不大。
• 在选择的 beta 权重（beta = 0.01）下，基于 KL 的分数对异常检测的判别力较弱。
• 尽管仅在痣（正常）图像上训练，模型仍能以较高的 AUC 检测到黑色素瘤和 AKIEC。
• 该研究展示了将深度生成模型应用于皮肤科异常检测作为无监督方法的可行性。