[论文解读] Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network

Nan Wang, Cheng‐Wei Chen+2 more|arXiv (Cornell University)|Jul 9, 2020

Anomaly Detection Techniques and Applications参考文献 26被引用 9

一句话总结

本文提出一种基于潜在空间正则化对抗网络的半监督脑肿瘤异常检测方法，仅使用正常脑部MRI扫描进行训练。通过联合优化图像空间与潜在空间的重建，并施加奇异值约束，该模型在BraTS、HCP、MNIST和CIFAR-10数据集上均实现了优越的异常检测性能，AUC最高达0.994（BraTS数据集上使用潜在空间重建误差作为异常评分）。

ABSTRACT

With the development of medical imaging technology, medical images have become an important basis for doctors to diagnose patients. The brain structure in the collected data is complicated, thence, doctors are required to spend plentiful energy when diagnosing brain abnormalities. Aiming at the imbalance of brain tumor data and the rare amount of labeled data, we propose an innovative brain tumor abnormality detection algorithm. The semi-supervised anomaly detection model is proposed in which only healthy (normal) brain images are trained. Model capture the common pattern of the normal images in the training process and detect anomalies based on the reconstruction error of latent space. Furthermore, the method first uses singular value to constrain the latent space and jointly optimizes the image space through multiple loss functions, which make normal samples and abnormal samples more separable in the feature-level. This paper utilizes BraTS, HCP, MNIST, and CIFAR-10 datasets to comprehensively evaluate the effectiveness and practicability. Extensive experiments on intra- and cross-dataset tests prove that our semi-supervised method achieves outperforms or comparable results to state-of-the-art supervised techniques.

研究动机与目标

• 解决医学影像中脑肿瘤图像数据不平衡及标注样本稀缺的问题。
• 克服完全监督方法对大量标注异常数据的依赖，以及对已知病变类型的假设限制。
• 开发一种鲁棒且可泛化的异常检测框架，能够在未见过的情况下识别未知或罕见的脑部病变。
• 通过聚焦潜在空间优化而非仅依赖像素级重建误差，提升检测性能。
• 实现在临床环境中实用化部署，其中收集多样化病理脑部影像成本高且耗时长。

提出的方法

• 提出一种仅在正常（内点）脑部MRI图像上训练的半监督GAN框架。
• 通过奇异值分解（SVD）引入潜在空间正则化，以约束潜在表征并改善特征解耦。
• 联合优化生成器与判别器，采用多种损失函数：图像空间与潜在空间的重建损失，以及对抗损失。
• 使用潜在空间中的重建误差（||z - z'||）作为异常评分，其判别能力优于像素级重建误差。
• 采用多目标训练目标，以增强潜在特征空间中正常与异常样本的可分性。
• 在推理阶段应用训练好的模型，通过测量测试样本在潜在空间中相对于正常分布的偏离程度来检测异常。

实验结果

研究问题

• RQ1 仅在正常脑部MRI扫描上进行训练的半监督异常检测模型，能否有效检测出多样且未知的脑肿瘤类型？
• RQ2 通过奇异值分解约束潜在空间，是否能提升所学习特征在异常检测中的判别能力？
• RQ3 潜在空间重建误差与像素级重建误差相比，在区分正常与异常脑部图像方面表现如何？
• RQ4 所提方法在BraTS、HCP、MNIST和CIFAR-10等不同数据集上的泛化能力如何？
• RQ5 当在存在分布偏移的跨数据集场景下测试时，模型能否保持高性能？

主要发现

• 在BraTS数据集上，该方法使用潜在空间重建误差实现AUC 0.994，显著优于像素级重建（AUC 0.938）。
• 在MNIST数据集上，基于潜在空间的异常评分使AUC从0.868提升至0.937，相对提升7.3%，表明特征层面判别能力增强。
• 在CIFAR-10数据集上，AUC从像素级的0.617提升至潜在级的0.797，表明特征表示质量持续提升。
• 模型在跨数据集评估中保持强性能，即使在分布偏移条件下也仅出现轻微退化，表明其具有鲁棒的泛化能力。
• 潜在空间可视化显示，采用SVD正则化后，正常样本（蓝色）与异常样本（红色）在潜在空间中呈现清晰分离，证实了特征解耦的改善。
• 在BraTS数据集上的切片级肿瘤检测中，该模型性能优于或匹配当前最先进的监督方法，如ceVAE、VAE、AE、VAE-H和ELBO Gradient。