[论文解读] One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities

Nicolas Pinon, Robin Trombetta+1 more|arXiv (Cornell University)|Apr 17, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

本文提出了一种新颖的无监督脑部MRI白质高信号（WMH）异常检测方法，采用孪生自编码器从正常T1和FLAIR图像中学习紧凑的潜在表征，随后在潜在空间中对每位患者进行特定的单类SVM分类。该方法在WMH挑战数据集上的表现与当前最先进模型相当，对细微病灶具有强敏感性，同时通过脑脊液（CSF）掩码有效降低了假阳性率。

ABSTRACT

Anomaly detection remains a challenging task in neuroimaging when little to no supervision is available and when lesions can be very small or with subtle contrast. Patch-based representation learning has shown powerful representation capacities when applied to industrial or medical imaging and outlier detection methods have been applied successfully to these images. In this work, we propose an unsupervised anomaly detection (UAD) method based on a latent space constructed by a siamese patch-based auto-encoder and perform the outlier detection with a One-Class SVM training paradigm tailored to the lesion detection task in multi-modality neuroimaging. We evaluate performances of this model on a public database, the White Matter Hyperintensities (WMH) challenge and show in par performance with the two best performing state-of-the-art methods reported so far.

研究动机与目标

• 解决在标注数据稀缺或不可用时，检测脑部MRI中细微、低对比度白质高信号的挑战。
• 通过在学习到的潜在空间中采用判别性异常检测，克服基于重建的自编码器在检测极小或细微病灶方面的局限性。
• 通过在相同公开的WMH挑战数据集上使用相同的指标和协议进行训练与评估，实现与最先进模型的公平比较。
• 研究临床中心间数据分布偏移对模型泛化能力和性能的影响。

提出的方法

• 在健康对照者的T1和FLAIR脑部MRI扫描图像块上训练孪生自编码器（SAE），采用共享权重以学习共享的潜在表征。
• 从SAE编码器中提取每个图像块的潜在特征z，形成捕捉局部多模态图像模式的表征空间。
• 对每位患者，使用其自身潜在表征的子集微调一个单类SVM（OC-SVM），以学习该个体特有的正常边界。
• 通过计算所有图像块的OC-SVM决策分数执行全脑推理，分数越高表示越可能是异常。
• 通过脑脊液（CSF）掩码进行后处理，以抑制脑室和脑脊液区域的假阳性。
• 使用多中心数据集（阿姆斯特丹、新加坡、乌得勒支）评估模型在扫描仪和采集参数差异下的鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 与最先进生成模型相比，孪生自编码器结合患者特定的单类SVM是否能在无监督WMH检测中实现具有竞争力的性能？
• RQ2 在基于图像块的自编码器潜在空间中学习判别性正常边界，是否能相比基于重建误差的方法，更有效地检测细微、低对比度的WMH病灶？
• RQ3 在存在潜在数据分布偏移（尤其是FLAIR成像）的临床中心之间，模型性能如何变化？
• RQ4 使用CSF掩码进行后处理在多大程度上降低了假阳性率，而不会显著损害敏感性？

主要发现

• SAE+OC-SVM模型在WMH挑战赛中的表现与表现最佳的两种最先进方法相当，PRO AUC达到0.827，表明其具备强大的异常检测能力。
• 对每位患者单独微调OC-SVM相比使用单一全局OC-SVM显著提升了性能，凸显了患者特异性正常表征建模的优势。
• 应用CSF掩码显著降低了假阳性率，尽管敏感性略有下降，但所有指标的整体性能均得到提升。
• 所有模型（包括本研究提出的方法）在乌得全部数据集上的表现均下降，可能由于对照组与测试数据间存在更大的分布偏移，尤其在FLAIR序列中。
• 在平均病灶体积较低的数据集（如阿姆斯特丹：13.5k mm³）上，模型性能较低，表明在低负荷病例中存在敏感性局限。
• 本研究证明，即使在较小且更同质的对照组上训练，学习潜在空间中的判别性OC-SVM也能与VQ-VAE+Transformer等生成模型相媲美。