論文要約：HealthyGAN

HealthyGAN: Learning from Unannotated Medical Images to Detect Anomalies Associated with Human Disease

概要

画像生成ネットワーク（GAN）を用いた異常検知において、正常画像だけでなく、正常／異常不明の画像も合わせて学習（HealthyGAN）。精度向上。

書誌情報

2022/9/5
Md Mahfuzur Rahman Siddiquee
アリゾナ州立大学
https://arxiv.org/abs/2209.01822

背景

先行技術
画像生成ネットワークで正常画像のみを学習。
入力画像と生成した出力画像の差が大きい領域を病変と判定。

正常／異常不明の大量の画像も利用したい。

方法

正常画像だけでなく、正常／異常不明の画像も利用。
正常／異常不明の画像を正常画像に変換するように学習。
入力画像と生成した出力画像の差が大きい領域を病変と判定。

正常／異常不明のデータセットAと正常のみのデータセットBの2つを用いる。

不明Aまたは正常Bから中間正常Bintを生成。
不明Aの生成A'　＝　被写体領域A　　＋　背景領域Bint。
正常Bの生成B'　＝　被写体領域Bint ＋　背景領域A。

Discriminator
　正常BをReal、不明Aの生成B'をFakeと識別するように学習（Adversarial Loss）。

Generator
　正常Bから中間正常Bintを生成するように学習（Identity Loss）
　不明Aから生成A'を生成するように学習（Reconstruction Loss）。→背景のみ学習
　Discriminatorが不明Aの生成B'、正常Bの生成B'両方をRealと誤識別するように学習（Adversarial Loss）。

→不明Aの用途
　Discriminatorは不明Aの生成B'のみFakeと識別するように学習（正常Bの生成B'は学習していない）
　GeneratorはDiscriminatorが不明Aの生成B'、正常Bの生成B'両方をRealと誤識別するように学習

結果

3つのデータセット（COVID-19、Chest X-ray 14 Diseases、Migraine）で6つの従来技術（ALAD、ALOCC、f-AnoGAN、Ganomaly、Padim、PatchCore）と比較。sota。