[论文解读] Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation

Chenxin Li, Yunlong Zhang+3 more|arXiv (Cornell University)|Mar 16, 2021

COVID-19 diagnosis using AI参考文献 20被引用 8

一句话总结

本文提出一种基于循环转换框架的无监督异常分割方法，通过 '图像 → 语义 → 图像' 的路径建模健康解剖结构，利用语义分割作为中间表示以保留定位细节。该方法在 BraTS 和 ISLES 数据集上达到最先进性能，AUPRC 为 0.511，DICE 为 0.544，显著优于先前方法，通过显式语义建模减少了假阳性并提升了病灶定位能力。

ABSTRACT

The goal of unsupervised anomaly segmentation (UAS) is to detect the pixel-level anomalies unseen during training. It is a promising field in the medical imaging community, e.g, we can use the model trained with only healthy data to segment the lesions of rare diseases. Existing methods are mainly based on Information Bottleneck, whose underlying principle is modeling the distribution of normal anatomy via learning to compress and recover the healthy data with a low-dimensional manifold, and then detecting lesions as the outlier from this learned distribution. However, this dimensionality reduction inevitably damages the localization information, which is especially essential for pixel-level anomaly detection. In this paper, to alleviate this issue, we introduce the semantic space of healthy anatomy in the process of modeling healthy-data distribution. More precisely, we view the couple of segmentation and synthesis as a special Autoencoder, and propose a novel cycle translation framework with a journey of 'image->semantic->image'. Experimental results on the BraTS and ISLES databases show that the proposed approach achieves significantly superior performance compared to several prior methods and segments the anomalies more accurately.

研究动机与目标

• 解决传统无监督异常分割方法在依赖低维流形建模正常解剖结构时出现的定位信息丢失问题。
• 通过在图像与重建结果之间引入高分辨率语义空间作为中间表示，提升像素级异常检测性能。
• 通过统一的循环转换框架，实现无监督异常分割与有监督健康组织分割的同步进行。
• 提升模型在真实医学影像中面对领域偏移和多样化病灶形态时的泛化能力与鲁棒性。
• 证明训练分类器生成的语义表示可作为异常检测中具有判别性与统计意义的中间表示。

提出的方法

• 该框架包含一个分割模块，将健康图像映射为语义标签分布（如 GM、WM、CSF），以及一个合成模块，从这些语义图重建图像。
• 两个模块通过循环一致性方式进行训练，形成闭环：图像 → 语义 → 图像，类似于以语义空间为瓶颈的自编码器。
• 在合成模块中应用对抗训练，使用判别器提升重建图像的保真度与真实感。
• 推理阶段，模型计算输入图像与其重建结果之间的残差，残差较大区域即为异常区域。
• 在信息瓶颈框架中显式使用语义空间作为中间表示，替代低维流形以保留空间细节。
• 该方法利用分割网络的概率预测来区分异常组织与正常组织，利用预测分布中的统计判别性。

实验结果

研究问题

• RQ1 高分辨率语义空间是否可作为无监督异常分割中比低维流形更具信息量的中间表示？
• RQ2 通过语义循环转换框架建模健康解剖结构分布，是否能相比传统自编码器方法提升病灶定位精度？
• RQ3 使用语义表示在领域偏移和多样化病灶形态下，能在多大程度上增强模型泛化能力？
• RQ4 同一框架能否同时实现无监督异常分割与有监督健康组织分割？
• RQ5 在缺乏病灶标注的情况下，分割网络的预测分布在判别性异常检测中起到何种作用？

主要发现

• 在 BraTS 数据集上，该方法取得 AUPRC 0.511 和 DICE 0.544，显著优于先前方法（如 AE：AUPRC 0.229，VAE：0.331，GMVAE：0.253，fAnoGAN：0.373）。
• 在更具挑战性的 ISLES 数据集上，该方法取得 AUPRC 0.110 和 DICE 0.178，展现出强大泛化能力，尽管存在领域偏移与病灶多样性。
• 视觉对比显示，该方法生成的健康组织重建比 AE 和 VAE 更清晰，减少了对 WM 和 CSF 等正常结构的过度分割导致的假阳性。
• 与 GMVAE 不同，后者生成的重建结果与输入几乎完全相同，难以凸显异常，而该方法在残差图中保持了病灶与健康组织之间的强对比。
• 语义空间实现了更优的定位能力，残差图中病灶标注更准确，尤其在小尺寸或低对比度病灶中表现更佳。
• 分割模块的后验概率分布显示，病灶在统计上与正常组织明显不同，且部分正常组织（如 GM）与病灶接近，该框架通过残差分析利用此特性以增强异常检测。