[论文解读] Diffusion Models for Medical Anomaly Detection

Julia Wolleb, Florentin Bieder+2 more|arXiv (Cornell University)|Mar 8, 2022

Anomaly Detection Techniques and Applications被引用 6

一句话总结

本文提出了一种新颖的弱监督异常检测方法，结合去噪扩散隐式模型（DDIMs）与分类器引导，用于医学图像到图像的翻译。通过利用训练好的分类器引导，对输入图像进行迭代去噪与加噪，该方法生成高保真度的健康图像重建，异常图通过像素级差异生成——在无需架构或训练修改的情况下，在 BRATS2020 和 CheXpert 数据集上实现了最先进性能。

ABSTRACT

In medical applications, weakly supervised anomaly detection methods are of great interest, as only image-level annotations are required for training. Current anomaly detection methods mainly rely on generative adversarial networks or autoencoder models. Those models are often complicated to train or have difficulties to preserve fine details in the image. We present a novel weakly supervised anomaly detection method based on denoising diffusion implicit models. We combine the deterministic iterative noising and denoising scheme with classifier guidance for image-to-image translation between diseased and healthy subjects. Our method generates very detailed anomaly maps without the need for a complex training procedure. We evaluate our method on the BRATS2020 dataset for brain tumor detection and the CheXpert dataset for detecting pleural effusions.

研究动机与目标

• 通过仅使用图像级别标签，解决医学影像中像素级标注获取困难的挑战，实现弱监督异常检测。
• 克服现有自编码器与生成对抗网络（GAN）方法的局限性，这些方法通常面临训练复杂度高或难以保留精细解剖细节的问题。
• 开发一种能够生成详细且逼真的健康图像翻译的方法，同时保留非病理性结构，实现精确的异常定位。
• 证明扩散模型在医学异常检测中的可行性与有效性，该领域此前尚未探索此任务。
• 提供一种即插即用的解决方案，除标准 DDIM 与分类器训练外，无需对模型架构或训练过程进行任何修改。

提出的方法

• 仅使用图像级别标签，在成对的健康与病理性医学图像上训练去噪扩散概率模型（DDPM）与二分类器。
• 利用 DDIM 的确定性迭代加噪过程，通过反转前向扩散过程来编码输入图像的解剖结构。
• 在去噪阶段应用分类器引导，利用分类器梯度引导去噪网络，使其生成更健康的图像。
• 通过迭代去噪编码的噪声表示，结合分类器引导，生成合成的健康图像，确保病灶被有效去除。
• 将原始输入图像与生成的健康图像之间的 L2 差异计算为异常图，突出显示病理性区域。
• 利用 DDIM 采样方案，在保留非病灶区域精细细节的同时，仅对病灶区域进行具有真实组织外观的重建。

实验结果

研究问题

• RQ1 扩散模型能否在无需像素级标注的情况下，有效适应弱监督医学异常检测？
• RQ2 DDIM 的迭代加噪/去噪过程与分类器引导的结合，是否能产生比现有自编码器或 GAN 方法更详细、更准确的异常图？
• RQ3 该方法性能对超参数（如采样步数 L 和分类器引导尺度 s）的敏感性如何？
• RQ4 该方法能否在准确去除或重建病灶区域的同时，保留非病灶区域的精细解剖细节？
• RQ5 所提出的方法是否在标准医学异常检测基准上优于最先进基线方法（如 FP-GAN 与 VAE）？

主要发现

• 在 BRATS2020 数据集上，该方法在最优超参数下实现了最先进性能，肿瘤分割的平均 Dice 分数为 0.62，AUROC 达到 0.97。
• 在 CheXpert 数据集上，该方法在检测胸腔积液方面表现出优异的泛化能力，异常图质量与定位精度均优于基线方法。
• 该方法生成了高度详细的异常图，保留了非病灶区域的精细解剖结构，而基于 DDPM 的基线方法则扭曲了基本解剖结构。
• 超参数敏感性分析表明，噪声水平（L）与分类器引导尺度（s）均显著影响性能，最优值在抑制伪影与去除肿瘤之间实现平衡。
• 当应用于健康图像时，该方法生成了接近零的异常图，证实其在无病理情况下不会引入虚假异常。
• 该方法在极少修改模型架构或训练流程的前提下，实现了高质量的图像到图像翻译，充分展示了其在多样化医学影像应用中的即插即用潜力。