[论文解读] Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

Thomas Schlegl, Philipp Seeböck+3 more|arXiv (Cornell University)|Mar 17, 2017

Retinal Imaging and Analysis参考文献 15被引用 147

一句话总结

本论文提出 AnoGAN，一种使用 DCGAN 学习正常视网膜解剖结构的无监督异常检测方法，以及一种新颖的潜在空间映射，结合残差与判别损失，以在不依赖标注标记的情况下识别并定位 OCT 图像中的异常。

ABSTRACT

Obtaining models that capture imaging markers relevant for disease progression and treatment monitoring is challenging. Models are typically based on large amounts of data with annotated examples of known markers aiming at automating detection. High annotation effort and the limitation to a vocabulary of known markers limit the power of such approaches. Here, we perform unsupervised learning to identify anomalies in imaging data as candidates for markers. We propose AnoGAN, a deep convolutional generative adversarial network to learn a manifold of normal anatomical variability, accompanying a novel anomaly scoring scheme based on the mapping from image space to a latent space. Applied to new data, the model labels anomalies, and scores image patches indicating their fit into the learned distribution. Results on optical coherence tomography images of the retina demonstrate that the approach correctly identifies anomalous images, such as images containing retinal fluid or hyperreflective foci.

研究动机与目标

• 推动在不依赖预定义标记词汇的情况下检测疾病标记。
• 从未标注数据中学习健康解剖外观的生成模型。
• 开发从图像空间到潜在空间的映射方案，以识别异常。
• 为 OCT 图像提供异常分数和像素级异常定位。
• 展示已知和潜在新视网膜标记的检测。
• 与其他无监督方法进行比较并评估分割能力。

提出的方法

• 在健康 OCT 图像的补丁上训练 DCGAN，以建模正常外观的流形。
• 通过迭代更新 z，将新图像补丁映射到潜在空间，以最小化组合的残差损失和判别损失。
• 使用残差损失来强制 x 与 G(z) 的相似性，并基于判别器特征的判别损失，确保 G(z) 位于正常数据流形上。
• 定义异常分数 A(x) = (1-λ)·Residual + λ·Discrimination，其中 λ 经经验设定为 0.1。
• 使用基于特征匹配的判别损失来提高潜在空间映射稳定性。
• 在具有像素级流体注释的高分辨率 SD-OCT 数据上进行评估，以评估检测和分割能力。

实验结果

研究问题

• RQ1 一个基于 GAN 的无监督模型是否能够学习正常视网膜解剖以在没有标记注释的情况下检测异常？
• RQ2 结合残差和基于特征的判别损失学习的潜在空间映射是否能够在 OCT 图像中准确识别并定位异常？
• RQ3 在医学影像的无监督异常检测中，AnoGAN 与基于自编码器的或仅判别器的方法相比有何优势？
• RQ4 该方法是否能够检测已知异常（例如视网膜液体、高反射焦点）以及潜在的新标记？

主要发现

模型	Precision	Recall	Sensitivity	Specificity	AUC
aCAE	0.7005	0.7009	0.7011	0.6659	0.73
P_D	0.8471	0.5119	0.5124	0.8970	0.72
GAN_R	0.8482	0.7631	0.7634	0.8477	0.88
AnoGAN	0.8834	0.7277	0.7279	0.8928	0.89

• 模型生成看起来像健康的真实视网膜图像块，并将异常检测为偏离已学习的正常外观。
• 使用 A(x) 的异常检测实现了高性能，残差和判别分量都对检测有贡献。
• 基于判别器特征提出的判别损失在映射到潜在空间方面优于参考判别分数。
• AnoGAN 在异常检测性能上优于对抗自编码器，并且在 ROC AUC 上达到或超过其他基线。
• 该方法通过残差图实现像素级定位异常，并识别超出注释标记的额外病变。
• 与直接基于判别器的评分相比，组合异常分数在健康与疾病图像中提供稳健的检测。