[论文解读] AFSC: Adaptive Fourier Space Compression for Anomaly Detection

Haote Xu, Yunlong Zhang+4 more|ArXiv.org|Apr 17, 2022

AI in cancer detection被引用 4

一句话总结

本文提出AFSC，一种新颖的自适应傅里叶空间压缩模块，通过从医学图像的频域中提取关键健康组织特征，提升无监督异常检测性能。通过在傅里叶空间中联合压缩幅度谱和相位谱，AFSC改善了伪健康图像的生成质量，在BraTS和MS-SEG数据集上实现了最先进性能，尤其在与AE和DRAEM等现有方法结合时表现突出。

ABSTRACT

Anomaly Detection (AD) on medical images enables a model to recognize any type of anomaly pattern without lesion-specific supervised learning. Data augmentation based methods construct pseudo-healthy images by "pasting" fake lesions on real healthy ones, and a network is trained to predict healthy images in a supervised manner. The lesion can be found by difference between the unhealthy input and pseudo-healthy output. However, using only manually designed fake lesions fail to approximate to irregular real lesions, hence limiting the model generalization. We assume by exploring the intrinsic data property within images, we can distinguish previously unseen lesions from healthy regions in an unhealthy image. In this study, we propose an Adaptive Fourier Space Compression (AFSC) module to distill healthy feature for AD. The compression of both magnitude and phase in frequency domain addresses the hyper intensity and diverse position of lesions. Experimental results on the BraTS and MS-SEG datasets demonstrate an AFSC baseline is able to produce promising detection results, and an AFSC module can be effectively embedded into existing AD methods.

研究动机与目标

• 解决现有伪健康图像生成方法在异常检测中因依赖手动设计或随机生成病灶而产生的泛化能力局限。
• 克服由于分布不匹配导致的人工异常泛化能力差的问题。
• 探索频域中的内在数据特性，以提取稳健的、与病灶无关的健康组织表征，从而提升异常检测性能。
• 开发一种灵活的即插即用模块，增强现有异常检测框架，而无需进行架构重构。
• 证明对傅里叶空间分量（幅度和相位）进行自适应压缩，可生成更具解剖学准确性的伪健康重建图像，并实现更优的异常定位。

提出的方法

• 提出一种自适应傅里叶空间压缩模块（AFSCm），作用于输入图像的傅里叶变换，同时针对幅度谱和相位谱进行处理。
• 采用基于稀疏性的压缩方法，仅保留对健康组织表征至关重要的频率分量，从而在重建过程中减少病灶干扰。
• 采用受蒙特卡洛采样启发的可微、可学习掩码策略，自适应地识别关键频率分量，而非使用固定或随机掩码。
• 将AFSCm作为即插即用模块集成到现有异常检测框架（如AE、DRAEM）中，以提升伪健康图像生成质量。
• 采用端到端训练策略，使用输入图像与生成的伪健康图像之间的重建损失进行优化，其中AFSCm模块专注于频域稀疏性。
• 在类似GAN的设置中引入判别器，以区分真实健康图像与生成的伪健康输出，从而提升特征质量和泛化能力。

实验结果

研究问题

• RQ1 在傅里叶域中同时压缩幅度和相位分量，能否提升异常检测中伪健康图像生成的质量与泛化能力？
• RQ2 在傅里叶空间中，自适应的可学习压缩掩码是否优于固定或随机掩码，以更好地保持健康组织结构？
• RQ3 所提出的AFSC模块能否有效集成到多种现有异常检测框架中以提升性能？
• RQ4 在异常定位准确性和鲁棒性方面，AFSC与最先进方法（如AnoGAN、DRAEM和AE）相比表现如何？
• RQ5 频域压缩在多大程度上减少了异常或分布外病灶在重建过程中的干扰？

主要发现

• 在BraTS2017数据集上，AFSC实现了最先进性能，优于所有基线方法（包括DRAEM和AE），在DICE（0.814 ± 0.006）和APpix（0.143 ± 0.003）指标上表现优异。
• 当与DRAEM结合时，DRAEM_G w/AFSCm变体在BraTS2017上达到最佳性能，DICE得分为0.889 ± 0.018，APpix为0.187 ± 0.009。
• AE w/AFSCm变体在BraTS2017上优于原始AE，证明即使输入为健康图像，AFSCm也能显著提升性能。
• 在更具挑战性的MS-SEG2015数据集上，AFSC实现了最高DICE得分（0.769 ± 0.016），证实其在小而细微病灶上的鲁棒性。
• 将AFSCm替换为相同稀疏度的随机掩码后，所有指标性能均下降，证明自适应压缩机制具有显著判别价值。
• 可视化结果证实，AFSC生成的伪健康图像更具解剖学准确性，且病灶区域被更佳地重建为健康组织。