[论文解读] The role of noise in denoising models for anomaly detection in medical images

Antanas Kascenas, Pedro L. Sánchez+10 more|arXiv (Cornell University)|Jan 19, 2023

Generative Adversarial Networks and Image Synthesis被引用 5

一句话总结

本文表明，通过优化噪声类型——特别是粗粒度噪声——可显著提升使用去噪自编码器（DAEs）和扩散模型进行医学图像异常检测的性能。结果表明，粗粒度噪声能增强正常结构的重建保真度，同时抑制异常，从而在简单、快速的DAE上实现最先进性能，并在包含多种病理类型的脑部MRI和CT数据集上验证了该方法的有效性。

ABSTRACT

Pathological brain lesions exhibit diverse appearance in brain images, in terms of intensity, texture, shape, size, and location. Comprehensive sets of data and annotations are difficult to acquire. Therefore, unsupervised anomaly detection approaches have been proposed using only normal data for training, with the aim of detecting outlier anomalous voxels at test time. Denoising methods, for instance classical denoising autoencoders (DAEs) and more recently emerging diffusion models, are a promising approach, however naive application of pixelwise noise leads to poor anomaly detection performance. We show that optimization of the spatial resolution and magnitude of the noise improves the performance of different model training regimes, with similar noise parameter adjustments giving good performance for both DAEs and diffusion models. Visual inspection of the reconstructions suggests that the training noise influences the trade-off between the extent of the detail that is reconstructed and the extent of erasure of anomalies, both of which contribute to better anomaly detection performance. We validate our findings on two real-world datasets (tumor detection in brain MRI and hemorrhage/ischemia/tumor detection in brain CT), showing good detection on diverse anomaly appearances. Overall, we find that a DAE trained with coarse noise is a fast and simple method that gives state-of-the-art accuracy. Diffusion models applied to anomaly detection are as yet in their infancy and provide a promising avenue for further research.

研究动机与目标

• 通过优化去噪模型中的噪声特性，提升医学图像中无监督异常检测的性能。
• 探究噪声参数调优（分辨率和幅值）是否能提升不同去噪架构（包括DAE和扩散模型）的性能。
• 评估粗粒度噪声与其它噪声类型（如单纯形噪声）在脑部MRI和CT中检测多种病理的效能。
• 开发一种实用、自动化的流程，通过自然语言处理分析放射科报告，筛选健康训练影像。
• 评估噪声超参数在不同成像模态和异常类型之间的泛化能力。

提出的方法

• 在训练过程中，对输入图像以低于其分辨率的低分辨率应用空间粗粒度噪声，随后进行上采样。
• 将类似的粗粒度噪声优化方法应用于扩散模型，通过调整噪声幅值和空间分辨率，以提升重建质量和异常检测性能。
• 以像素级噪声作为基线，与粗粒度噪声和单纯形噪声在DAE和扩散模型中进行对比。
• 采用重建误差作为异常评分，误差越高表示可能存在病理。
• 利用自然语言处理分析放射科报告，自动识别并提取大量未标注数据集中的正常影像用于训练。
• 在两个真实世界数据集上验证模型：脑部MRI中的肿瘤检测，以及脑部CT中的出血、缺血和肿瘤检测。

实验结果

研究问题

• RQ1 优化噪声的空间分辨率和幅值是否能提升去噪自编码器和扩散模型在医学图像中的异常检测性能？
• RQ2 最优噪声参数（分辨率和幅值）是否可在不同成像模态（MRI与CT）和异常类型之间迁移？
• RQ3 在异常检测准确率方面，粗粒度噪声相较于像素级噪声和单纯形噪声表现如何？
• RQ4 基于自然语言处理的放射科报告筛选是否能有效识别健康训练队列，以支持无监督异常检测？
• RQ5 基于重建的方法（如DAE和扩散模型）在检测细微异常（如缺血，其强度对比度低）方面，其有效程度如何？

主要发现

• 优化粗粒度噪声参数（分辨率和幅值）在去噪自编码器和扩散模型中均显著提升了异常检测性能。
• 使用粗粒度噪声训练的经典DAE在脑部MRI和CT数据集上均超越了更复杂的模型，实现了最先进性能。
• 粗粒度噪声的最优参数在MRI与CT模态之间以及多种病理类型（如肿瘤、出血、缺血）之间具有高度可迁移性。
• 在大多数异常检测设置中，粗粒度噪声优于像素级噪声和单纯形噪声，尤其在高对比度病灶中表现更优。
• 基于自然语言处理的报告筛选方法成功从非标注数据集中识别出健康训练队列，实现了高度自动化的流程。
• 尽管在显著异常（如肿瘤、出血）中表现良好，基于重建的方法在检测细微异常（如缺血）方面仍存在困难，提示需要开发替代评分机制。