Unsupervised 3D Brain Anomaly Detection
Unsupervised 3D Brain Anomaly Detection
https://arxiv.org/abs/2010.04717
Apr 24, 2022
Anomaly Detection, Unsupervised Learning, GAN,
MICCAI (2020)
概要
- 3Dデータをf-AnoGANで扱うために拡張
- 外傷性脳損傷患者のCT画像の実験においてAUROC 約75%で検出できる
新規性・差分
手法
GANの学習
- 通常のGANとは異なる損失関数を使用
- $ \begin{align} L_D = \mathbb{E}_{\tilde{x}\sim\mathbb{P}_g}[D(\tilde{x})] - \mathbb{E}_{\tilde{x}\sim\mathbb{P}_r}[D(x)] + \mathbb{E}_{\tilde{x}\sim\mathbb{P}_{\tilde{x}}}[(| \nabla_{\tilde{x}} D(\tilde{x})|_2-1)^2] \end{align} $
- $ L_G=-\mathbb{E}_{\tilde{x}\sim\mathbb{P}_g}[D(\tilde{x})] $
Encoderの学習
- 二乗誤差と識別器の特徴量誤差
- $L_E = L_{img} + \kappa \cdot L_{feat}$
- $L_{img} = \frac{1}{n} | x-\tilde{x}|^2$
- $L_{feat} = \frac{1}{m} | f(x) - f(\tilde{x})|$
結果
-
2Dに比べAUROCが4%向上
- 病変の種類によらず性能はほぼ同じ
- ラベル付けされていない異常を見つけることができている
