[论文解读] Anomaly Detection with Deep Perceptual Autoencoders.

Nina Tuluptceva, Bart Bakker+3 more|arXiv (Cornell University)|Jun 23, 2020

Anomaly Detection Techniques and Applications参考文献 47被引用 17

一句话总结

本文提出了一种用于无监督图像异常检测的深度感知自编码器框架，通过重新设计的训练流程和稳健的异常评分机制，提升了在复杂医学图像中的检测性能。该方法仅使用极少量的类正常异常样本以校准超参数，相较于现有最先进方法，在自然图像与医学图像基准测试中表现更优。

ABSTRACT

Anomaly detection is the problem of recognizing abnormal inputs based on the seen examples of normal data. Despite recent advances of deep learning in recognizing image anomalies, these methods still prove incapable of handling complex medical images, such as barely visible abnormalities in chest X-rays and metastases in lymph nodes. To address this problem, we introduce a new powerful method of image anomaly detection. It relies on the classical autoencoder approach with a re-designed training pipeline to handle high-resolution, complex images and a robust way of computing an image abnormality score. We revisit the very problem statement of fully unsupervised anomaly detection, where no abnormal examples at all are provided during the model setup. We propose to relax this unrealistic assumption by using a very small number of anomalies of confined variability merely to initiate the search of hyperparameters of the model. We evaluate our solution on natural image datasets with a known benchmark, as well as on two medical datasets containing radiology and digital pathology images. The proposed approach suggests a new strong baseline for image anomaly detection and outperforms state-of-the-art approaches in complex medical image analysis tasks.

研究动机与目标

• 解决现有深度学习方法在检测复杂医学图像（如胸部X光片和淋巴结转移）中细微异常方面的局限性。
• 通过引入少量类正常异常样本，放松对完全无监督假设的严格要求，以实现超参数校准。
• 开发一种适用于医学影像任务的稳健、高分辨率图像重建与异常评分机制。
• 为图像异常检测建立一个新的强大基线，其在具有挑战性的医学数据集上优于现有最先进方法。

提出的方法

• 该方法采用带有感知损失的深度自编码器架构，以增强从正常图像中学习特征表示的能力。
• 提出一种重新设计的训练流程，以稳定高分辨率、复杂图像（如医学扫描图像）上的训练过程。
• 通过多尺度重建误差与感知特征重建损失相结合的方式对异常进行评分。
• 利用一小撮受限的、类正常的异常样本初始化超参数，以在不依赖完整异常数据的前提下提升模型泛化能力。
• 模型仅在正常数据上端到端训练，异常检测通过重建误差阈值实现。
• 最终的异常评分综合了像素级与感知级重建误差，以提升对细微异常的敏感性。

实验结果

研究问题

• RQ1 与现有无监督方法相比，深度感知自编码器是否能在复杂医学图像上实现更优越的异常检测性能？
• RQ2 在完全无监督设置下，引入极少数类正常异常样本对超参数调优与模型鲁棒性有何影响？
• RQ3 结合感知损失与重建损失在多大程度上提升了对放射科与病理学图像中细微异常的检测能力？
• RQ4 所提出的方法是否能在多种医学影像模态（如胸部X光片与数字病理学图像）中实现良好泛化？
• RQ5 该方法是否可作为未来医学图像异常检测研究中一个强大且可靠的基线？

主要发现

• 在自然图像基准数据集上，所提方法优于现有最先进方法，表现出更高的检测准确率。
• 在医学影像数据集上，该方法在检测胸部X光片中几乎不可见的异常以及淋巴结中的转移病灶方面表现更优。
• 感知损失与重建损失的结合，相比仅使用像素级重建，能更敏感地检测到细微异常。
• 使用少量类正常异常样本进行超参数调优，显著提升了模型稳定性与性能，且未违反无监督学习范式。
• 该方法为图像异常检测建立了新的强大基线，尤其在复杂医学影像应用中表现突出。