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。
Discussion