[论文解读] Few-Shot Anomaly Detection for Polyp Frames from Colonoscopy

Yu Tian, Gabriel Maicas+4 more|arXiv (Cornell University)|Jun 26, 2020

Anomaly Detection Techniques and Applications参考文献 29被引用 5

一句话总结

该论文提出FSAD-NET，一种少样本异常检测框架，用于使用少量异常训练样本识别结肠镜视频中的息肉存在帧。该方法结合了最大化互信息的编码器与得分推理网络，在仅使用40张异常图像的情况下实现了0.9033的SOTA AUC，展现出对零样本和类别不平衡学习基线方法的鲁棒性与优越性能。

ABSTRACT

Anomaly detection methods generally target the learning of a normal image distribution (i.e., inliers showing healthy cases) and during testing, samples relatively far from the learned distribution are classified as anomalies (i.e., outliers showing disease cases). These approaches tend to be sensitive to outliers that lie relatively close to inliers (e.g., a colonoscopy image with a small polyp). In this paper, we address the inappropriate sensitivity to outliers by also learning from inliers. We propose a new few-shot anomaly detection method based on an encoder trained to maximise the mutual information between feature embeddings and normal images, followed by a few-shot score inference network, trained with a large set of inliers and a substantially smaller set of outliers. We evaluate our proposed method on the clinical problem of detecting frames containing polyps from colonoscopy video sequences, where the training set has 13350 normal images (i.e., without polyps) and less than 100 abnormal images (i.e., with polyps). The results of our proposed model on this data set reveal a state-of-the-art detection result, while the performance based on different number of anomaly samples is relatively stable after approximately 40 abnormal training images.

研究动机与目标

• 解决在极少数标注异常样本的情况下检测结肠镜视频中罕见息肉存在帧的挑战。
• 改进零样本异常检测方法，避免因息肉与正常组织接近而误判小而细微的息肉。
• 开发一种少样本学习框架，利用大量正常图像和少量异常图像以提升泛化能力。
• 即使仅使用30至40张异常训练样本，也能实现稳定且高性能的异常检测。
• 为临床环境中的少样本息肉检测提供可复现且公开可用的解决方案。

提出的方法

• 该方法使用一个特征编码器，通过最大化输入正常结肠镜图像与其学习嵌入之间的互信息（MI）进行训练。
• 得分推理网络（SIN）被训练以在特征空间中拉近正常图像嵌入的距离，同时将异常嵌入远离正常簇。
• 编码器通过基于互信息最大化构建的对比损失进行预训练，确保具有判别性的表征学习。
• 得分推理网络使用对比损失优化异常得分，明确区分正常与异常样本。
• 该框架在高度不平衡的数据集上进行训练，包含超过13,000张正常帧和不足100张异常帧。
• 使用AUC进行模型评估，并通过消融研究评估各组件（包括表征学习与互信息最大化）的贡献。

实验结果

研究问题

• RQ1 少样本异常检测框架是否能在检测结肠镜帧中细微息肉方面优于零样本方法？
• RQ2 与零样本或类别不平衡学习基线相比，引入少量异常训练样本如何提升检测性能？
• RQ3 实现稳定且高性能异常检测所需的最少异常训练样本数量是多少？
• RQ4 与基于自编码器或标准分类损失相比，编码器中采用互信息最大化是否能生成更优的特征表示用于息肉检测？
• RQ5 所提出方法在医学图像异常检测中极端类别不平衡情况下的鲁棒性如何？

主要发现

• 当使用40张异常图像进行训练时，FSAD-NET实现了SOTA AUC 0.9033，显著优于所有零样本方法，包括ADGAN（AUC 0.7391）和f-AnoGAN（AUC 0.6997）。
• 当使用30张或以上异常训练样本时，模型保持稳定性能，AUC高于0.85，表明对小规模训练集具有鲁棒性。
• 性能在约30至40张异常样本时趋于稳定，表明超过此阈值后收益递减。
• 消融研究显示，若移除表征学习（RL），AUC将降至0.6011，凸显其在模型性能中的关键作用。
• 将互信息最大化替换为深度自编码器（AE网络）后，准确率下降（AUC 0.835 vs. 0.9033），证实基于MI的表征学习更具优越性。
• FSAD-NET优于使用数据增强的Densenet121基线（AUC 0.8231）和重加权学习基线（AUC 0.7862），证明其在极端少样本场景下的有效性。