[论文解读] Unsupervised Anomaly Detection in MR Images using Multi-Contrast Information

Byungjai Kim, Kinam Kwon+2 more|arXiv (Cornell University)|May 2, 2021

Anomaly Detection Techniques and Applications参考文献 45被引用 5

一句话总结

该论文提出了一种用于多对比度磁共振成像（MRI）的无监督异常检测框架ADM，联合学习对比度到对比度的转换特征与低维图像表征，随后采用具有奇异性鲁棒性的高斯混合模型（GMM）进行像素级异常检测。该方法在无任何异常标注数据的情况下，实现了最先进性能，在BraTS数据集上AUC得分为0.939，在ISLES数据集上为0.871，展现出对细微组织异常的优越检测能力。

ABSTRACT

Anomaly detection in medical imaging is to distinguish the relevant biomarkers of diseases from those of normal tissues. Deep supervised learning methods have shown potentials in various detection tasks, but its performances would be limited in medical imaging fields where collecting annotated anomaly data is limited and labor-intensive. Therefore, unsupervised anomaly detection can be an effective tool for clinical practices, which uses only unlabeled normal images as training data. In this paper, we developed an unsupervised learning framework for pixel-wise anomaly detection in multi-contrast magnetic resonance imaging (MRI). The framework has two steps of feature generation and density estimation with Gaussian mixture model (GMM). A feature is derived through the learning of contrast-to-contrast translation that effectively captures the normal tissue characteristics in multi-contrast MRI. The feature is collaboratively used with another feature that is the low-dimensional representation of multi-contrast images. In density estimation using GMM, a simple but efficient way is introduced to handle the singularity problem which interrupts the joint learning process. The proposed method outperforms previous anomaly detection approaches. Quantitative and qualitative analyses demonstrate the effectiveness of the proposed method in anomaly detection for multi-contrast MRI.

研究动机与目标

• 为解决医学MRI中异常标注数据有限的挑战，实现无监督的像素级异常检测。
• 通过利用多对比度MRI特性提升检测精度，其中异常在联合对比度空间中比在单一对比度中更易区分。
• 克服在联合优化特征学习与异常评分过程中，基于GMM的密度估计所面临的奇异性问题。
• 开发一个统一框架，联合优化特征生成与密度估计，以实现优于解耦流水线的性能。

提出的方法

• 该方法使用对比度到对比度（CtoC）转换网络，学习不同MRI对比度之间的映射关系，捕捉跨对比度的正常组织模式。
• 通过共享编码器提取多对比度图像的低维表征，为CtoC输出提供互补特征。
• 将两种特征类型拼接后输入高斯混合模型（GMM）进行密度估计，以建模正常组织的分布。
• 引入一种新颖的正则化方案，防止在联合训练过程中GMM参数估计出现奇异性，确保优化过程稳定。
• 整个框架——包括特征生成与密度估计——通过可微损失函数实现端到端的联合优化。
• 该方法仅使用正常MRI扫描进行训练，因此适用于临床实际部署场景，其中异常标注数据稀缺。

实验结果

研究问题

• RQ1 联合学习对比度到对比度的转换特征与低维图像特征，是否能提升多对比度MRI中的异常检测性能？
• RQ2 所提出的奇异性处理机制在无监督异常检测中，对稳定GMM训练与密度估计的性能如何？
• RQ3 多对比度特征的协同使用是否能实现比单对比度或孤立特征方法更优的正常与异常组织分离效果？
• RQ4 所提出的框架在公开MRI基准测试中，与自动编码器、OC-SVM及基于GAN的模型等现有无监督方法相比，性能提升程度如何？

主要发现

• 所提出的ADM框架在BraTS数据集上达到0.939的AUC，在ISLES数据集上达到0.871，优于包括OC-SVM、DSVDD、fanoGAN和DAG在内的基线方法。
• 使用对比度到对比度的转换特征显著提升了检测性能，消融实验表明，若移除该组件，AUC最高下降0.02。
• 具有奇异性鲁棒性的GMM训练机制实现了稳定的联合优化，避免了标准GMM在模型收敛过程中常见的失败问题。
• 通过将BraTS与ISLES数据集中正常图像合并进行数据增强，性能得到提升，ISLES数据集上的AUC提高至0.871，并在对比度空间中实现了更清晰的正常与异常强度分离。
• 该方法对公开数据集中对比度多样性的变化表现出强鲁棒性，其中中位数图与强度缩放增强策略显著提升了泛化能力。
• 消融实验证实，CtoC网络与基于GMM的密度估计均为关键组件，任一组件的移除均导致性能显著下降。