[论文解读] Unsupervised Anomaly Detection for X-Ray Images

Diana Davletshina, Valentyn Melnychuk+6 more|arXiv (Cornell University)|Jan 29, 2020

Anomaly Detection Techniques and Applications参考文献 23被引用 10

一句话总结

本文提出了一种基于自编码器（AE）和基于生成对抗网络（GAN）的模型，结合多阶段预处理流程，用于X射线图像的无监督异常检测框架。该方法通过降噪和提升检测性能，实现了α-GAN的60.7% ROC-AUC与CAE的57% ROC-AUC，且像素级异常热力图具有高度可解释性，适用于临床应用。

ABSTRACT

Obtaining labels for medical (image) data requires scarce and expensive experts. Moreover, due to ambiguous symptoms, single images rarely suffice to correctly diagnose a medical condition. Instead, it often requires to take additional background information such as the patient's medical history or test results into account. Hence, instead of focusing on uninterpretable black-box systems delivering an uncertain final diagnosis in an end-to-end-fashion, we investigate how unsupervised methods trained on images without anomalies can be used to assist doctors in evaluating X-ray images of hands. Our method increases the efficiency of making a diagnosis and reduces the risk of missing important regions. Therefore, we adopt state-of-the-art approaches for unsupervised learning to detect anomalies and show how the outputs of these methods can be explained. To reduce the effect of noise, which often can be mistaken for an anomaly, we introduce a powerful preprocessing pipeline. We provide an extensive evaluation of different approaches and demonstrate empirically that even without labels it is possible to achieve satisfying results on a real-world dataset of X-ray images of hands. We also evaluate the importance of preprocessing and one of our main findings is that without it, most of our approaches perform not better than random. To foster reproducibility and accelerate research we make our code publicly available at https://github.com/Valentyn1997/xray

研究动机与目标

• 开发一种无监督的X射线图像异常检测系统，支持放射科医生工作，且无需依赖昂贵的专家标注数据。
• 通过引入稳健的多阶段预处理流程，解决真实世界医学图像中噪声干扰的挑战。
• 评估并比较最先进的无监督深度学习模型——自编码器与生成对抗网络——在手部X射线图像中检测异常的性能。
• 通过像素级热力图提供可解释的异常定位，尤其针对自编码器模型。
• 证明适当的预处理对实现可靠性能至关重要，即使在无监督学习条件下亦然。

提出的方法

• 提出两阶段预处理流程：离线步骤（手部中心定位、分割、数据增强）与在线步骤（填充、居中、最小-最大归一化）。
• 应用直方图均衡化以增强对比度，尤其对自编码器模型有益。
• 在未标注异常的预处理X射线图像上训练自编码器（CAE）与基于GAN的模型（α-GAN、BiGAN）。
• 在自编码器中使用重建误差作为像素级异常评分，实现异常区域的可视化热力图。
• 对于GAN模型，使用判别器的概率作为图像级异常评分，缺乏原生的像素级输出。
• 采用像素上的top-k重建损失聚合方式以提升异常检测性能，但k=200时结果未显著改善。

实验结果

研究问题

• RQ1 无监督深度学习模型（自编码器与GAN）在真实世界、噪声较多的手部X射线图像中的异常检测效果如何？
• RQ2 全面的预处理流程在多大程度上提升了无监督异常检测模型在医学影像数据上的性能？
• RQ3 自编码器模型能否提供与临床相关异常一致的有意义像素级异常热力图？
• RQ4 在异常检测性能与可解释性方面，基于GAN的模型与自编码器相比表现如何？
• RQ5 是否可能在无任何标注数据的情况下实现可靠的异常检测？预处理在其中起到何种作用？

主要发现

• 预处理流程至关重要：若无预处理，大多数模型性能仅略高于随机水平，原始或裁剪数据的ROC-AUC低于45%。
• α-GAN模型通过判别器概率作为异常评分，实现了最高的ROC-AUC（60.7%）。
• CAE实现了57%的ROC-AUC，并天然提供像素级异常热力图，可实现对可疑区域的可解释性定位。
• CAE生成的像素级重建误差热力图能清晰突出异常，如金属植入物，甚至非专业人士亦可识别。
• 直方图均衡化持续提升了自编码器模型的性能，表明其在增强低对比度X射线图像对比度方面具有重要价值。
• top-k重建损失聚合未提升结果，可能由于k值选择欠佳或模型对噪声过于敏感。