[论文解读] Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI

Finn Behrendt, Debayan Bhattacharya+3 more|arXiv (Cornell University)|Mar 7, 2023

Advanced Neuroimaging Techniques and Applications被引用 10

一句话总结

本文提出用于脑MRI无监督异常检测的补丁扩散模型（pDDPMs），并在 BraTS21 和 MSLUB 数据集上相对于基线显示出改进。

ABSTRACT

The use of supervised deep learning techniques to detect pathologies in brain MRI scans can be challenging due to the diversity of brain anatomy and the need for annotated data sets. An alternative approach is to use unsupervised anomaly detection, which only requires sample-level labels of healthy brains to create a reference representation. This reference representation can then be compared to unhealthy brain anatomy in a pixel-wise manner to identify abnormalities. To accomplish this, generative models are needed to create anatomically consistent MRI scans of healthy brains. While recent diffusion models have shown promise in this task, accurately generating the complex structure of the human brain remains a challenge. In this paper, we propose a method that reformulates the generation task of diffusion models as a patch-based estimation of healthy brain anatomy, using spatial context to guide and improve reconstruction. We evaluate our approach on data of tumors and multiple sclerosis lesions and demonstrate a relative improvement of 25.1% compared to existing baselines.

研究动机与目标

• 通过使用无监督异常检测，在脑MRI中在没有像素级注释的情况下检测病变这一挑战。
• 将基于扩散的生成重新表述为在空间上下文引导下对健康脑解剖结构进行基于补丁的估计。
• 通过滑动窗口和补丁拼接，将周围上下文纳入对补丁级去噪，以重建整个大脑解剖结构。
• 在 BraTS21 和 MSLUB 数据集上评估 pDDPM，并与已建立的 UAD 基线进行比较以证明性能提升。

提出的方法

• 对输入图像的补丁应用前向扩散过程，同时保持图像的其余部分不变。
• 使用 U-Net 学习反向扩散步骤，并在其周围组织的上下文中估计原始补丁。
• 在补丁区域使用基于 Lp 的损失（L_p）或全重建损失（L_rec）进行训练，并使用固定的测试时步 t_test 以提高效率。
• 在评估阶段，对整幅图像执行滑动窗口的补丁扩散去噪，重建所有补丁并拼接形成完整图像；对重叠区域取平均。

实验结果

研究问题

• RQ1 利用周围空间上下文的基于补丁的扩散模型是否能相对于非补丁 DDPM 和其他基线提升脑MRI 的无监督异常检测性能？
• RQ2 补丁大小和测试时扩散参数（如 t_test）如何影响 BraTS21 和 MSLUB 数据集上的 UAD 性能？

主要发现

• 采用固定采样和 Lp 损失的 pDDPM 在所有评估方法中在 BraTS21 和 MSLUB 上取得最佳 Dice 和 AUPRC（BraTS21 Dice 49.00%，AUPRC 54.07%；MSLUB Dice 10.35，AUPRC ？请见表格的精确数值）。
• 在两个数据集上，pDDPM 在 DICE 和 AUPRC 上均超越所有基线，且在 BraTS21 上达到统计显著性（p<0.05）。
• 补丁大小为 60x60 像素时获得最佳性能，且对应 t_test 约为 400 的测试时噪声水平达到性能峰值。
• 在健康 IXI 数据上的重建质量显示，DAE 取得了最低的 l1 误差，而 pDDPM 的误差低于 DDPM，表明在保持异常可检测性的同时，对健康脑的重建更好。