[论文解读] Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders

Xiaoran Chen, Ender Konukoglu|arXiv (Cornell University)|Jun 13, 2018

Brain Tumor Detection and Classification参考文献 9被引用 122

一句话总结

本文提出了一种在脑部MRI中进行无监督病灶检测的方法，通过学习健康脑分布（使用 VAE/AAE），引入潜在空间一致性约束以改进病灶检测，并在 BRATS 上结合 HCP 健康数据进行评估。

ABSTRACT

Lesion detection in brain Magnetic Resonance Images (MRI) remains a challenging task. State-of-the-art approaches are mostly based on supervised learning making use of large annotated datasets. Human beings, on the other hand, even non-experts, can detect most abnormal lesions after seeing a handful of healthy brain images. Replicating this capability of using prior information on the appearance of healthy brain structure to detect lesions can help computers achieve human level abnormality detection, specifically reducing the need for numerous labeled examples and bettering generalization of previously unseen lesions. To this end, we study detection of lesion regions in an unsupervised manner by learning data distribution of brain MRI of healthy subjects using auto-encoder based methods. We hypothesize that one of the main limitations of the current models is the lack of consistency in latent representation. We propose a simple yet effective constraint that helps mapping of an image bearing lesion close to its corresponding healthy image in the latent space. We use the Human Connectome Project dataset to learn distribution of healthy-appearing brain MRI and report improved detection, in terms of AUC, of the lesions in the BRATS challenge dataset.

研究动机与目标

• 通过利用健康脑外观的先验来减少标注数据需求，推动无监督病灶检测。
• 使用基于自编码器的模型（VAE/AAE）学习健康脑分布。
• 通过解决潜在空间的一致性问题，提升健康与异常图像之间的分离。
• 展示在 BRATS 上使用在 HCP 数据上训练的健康分布模型的改进病灶检测。

提出的方法

• 在来自 Human Connectome Project 的健康脑 T2 加权 MRI 上训练 VAE 和 AAE。
• 用 WGAN-GP 替代 AAE 的标准 KL 散度，以更好地匹配潜在分布。
• 通过添加正则化项 ||z_h - z_h' ||^2 引入潜在空间一致性约束，推动健康与重构潜在编码更接近。
• 使用逐像素重构残差 |X_a - X_a'| 在 BRATS 数据中检测病灶。
• 将图像下采样到 32x32 以实现可行的重构质量和训练稳定性。

实验结果

研究问题

• RQ1 从健康脑图像中学习的无监督模型是否可以在没有标注病灶数据的情况下检测脑部病灶？
• RQ2 相较于标准 VAE/AAE，强制潜在空间一致性是否提高了病灶检测？
• RQ3 哪种模型和参数设置在使用健康训练分布的 BRATS 上实现最佳逐像素异常检测（AUC）？
• RQ4 健康区域与异常区域的重构有何不同，这如何影响基于残差的病灶检测？

主要发现

• 带潜在约束的 AAE（λ = 1.0）在 BRATS BRATS-2015 T2 数据上获得最高 AUC 0.923。
• 潜在约束提高了健康区域的重构真实感，并在残差中更准确地突出病灶区域。
• λ = 1.0 提供了健康与异常像素重构误差分布之间的更清晰分离，重叠减少到 17%，相比其他模型的更高重叠。
• 与无约束的 VAE 和 AAE 相比，带约束的 AAE 提供了更清晰的重构和更准确的残差病灶定位。