[论文解读] Brainomaly: Unsupervised Neurologic Disease Detection Utilizing Unannotated T1-weighted Brain MR Images

Md Mahfuzur Rahman Siddiquee, Jay Shah+6 more|arXiv (Cornell University)|Feb 18, 2023

COVID-19 diagnosis using AI被引用 6

一句话总结

Brainomaly 提出了一种基于 GAN 的无监督异常检测框架，用于使用未标注的 T1 加权脑部 MRI 图像检测神经系统疾病。通过利用领域特定的图像到图像翻译以及无需标注的伪 AUC 指标进行模型选择，该方法在公开和机构数据集上的阿尔茨海默病和头痛检测任务中实现了最先进性能。

ABSTRACT

Harnessing the power of deep neural networks in the medical imaging domain is challenging due to the difficulties in acquiring large annotated datasets, especially for rare diseases, which involve high costs, time, and effort for annotation. Unsupervised disease detection methods, such as anomaly detection, can significantly reduce human effort in these scenarios. While anomaly detection typically focuses on learning from images of healthy subjects only, real-world situations often present unannotated datasets with a mixture of healthy and diseased subjects. Recent studies have demonstrated that utilizing such unannotated images can improve unsupervised disease and anomaly detection. However, these methods do not utilize knowledge specific to registered neuroimages, resulting in a subpar performance in neurologic disease detection. To address this limitation, we propose Brainomaly, a GAN-based image-to-image translation method specifically designed for neurologic disease detection. Brainomaly not only offers tailored image-to-image translation suitable for neuroimages but also leverages unannotated mixed images to achieve superior neurologic disease detection. Additionally, we address the issue of model selection for inference without annotated samples by proposing a pseudo-AUC metric, further enhancing Brainomaly's detection performance. Extensive experiments and ablation studies demonstrate that Brainomaly outperforms existing state-of-the-art unsupervised disease and anomaly detection methods by significant margins in Alzheimer's disease detection using a publicly available dataset and headache detection using an institutional dataset. The code is available from https://github.com/mahfuzmohammad/Brainomaly.

研究动机与目标

• 解决标注神经影像数据有限的问题，尤其是罕见或复杂神经系统疾病的情况。
• 克服现有无监督异常检测方法未能充分利用神经影像特性的局限性。
• 在包含未标注健康与患病受试者混合的现实世界数据集中，实现有效的疾病检测。
• 开发一种无需标注验证样本的推理阶段模型选择策略。
• 通过结合针对脑部 MRI 优化的领域特定图像翻译，提升神经疾病筛查中的检测性能。

提出的方法

• 提出一种专为 T1 加权脑部 MRI 设计的基于 GAN 的图像到图像翻译网络，以实现与疾病相关的特征学习。
• 在训练过程中使用未标注的混合数据集（包含健康与患病受试者），以提升泛化能力和异常检测性能。
• 引入一种新颖的伪 AUC 指标用于推理阶段的模型选择，从而无需依赖标注的验证数据。
• 端到端训练模型以重建正常脑部解剖结构，同时将异常偏差突出显示为异常。
• 利用循环一致性损失和对抗性损失，确保图像翻译的真实性与特征表示的鲁棒性。
• 应用特征级重建损失以保留解剖结构，增强对细微病理变化的敏感性。

实验结果

研究问题

• RQ1 与现有无监督方法相比，基于 GAN 的图像到图像翻译模型是否能在未标注的 T1 加权 MRI 扫描上实现更优的神经系统疾病检测性能？
• RQ2 在缺乏类别标签的情况下，利用包含健康与患病受试者的未标注混合数据集在多大程度上能提升检测性能？
• RQ3 对图像翻译网络进行领域特定设计，在多大程度上能提升神经系统疾病检测的准确性？
• RQ4 伪 AUC 指标是否能有效指导无标注验证数据的模型选择？
• RQ5 Brainomaly 在多种神经系统疾病（如阿尔茨海默病和与头痛相关的病理）上是否具有良好的泛化能力？

主要发现

• 在公开可用的数据集上，Brainomaly 在阿尔茨海默病检测中优于最先进无监督异常检测方法，AUC 显著提升。
• 在头痛检测的机构数据集中，Brainomaly 表现优于现有方法，证实其在真实临床环境中的鲁棒性。
• 在训练中使用未标注的混合数据集可提升检测的泛化能力，即使没有明确的疾病标注。
• 所提出的伪 AUC 指标可在推理阶段实现有效的模型选择，检测性能可与使用完整标注的方法相媲美。
• 消融研究证实，领域特定的图像到图像翻译组件对神经影像中高精度检测至关重要。
• 该模型在多种神经解剖变异和病理模式下均保持强大性能，表明其对复杂神经系统疾病具有良好的适应性。