Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders

Abstract

脑部病变检测磁共振图像（MRI）仍然是一项具有挑战性的任务。最先进的方法主要基于使用大型注释数据集的监督学习。另一方面，即使是非专家，人类在看到一些健康的大脑图像后也可以检测到大多数异常病变。复制这种使用健康大脑结构外观的先前信息来检测病变的能力可以帮助计算机实现人体水平的异常检测，特别是减少对许多标记实例的需要并且更好地推广先前未见过的病变。为此，我**们通过使用基于自动编码器的方法学习健康受试者的脑MRI数据分布，以无监督的方式研究病变区域的检测。**我们假设当前模型的主要局限之一是潜在表示缺乏一致性。我们提出了一种简单但有效的约束，该约束有助于将图像承载病变的映射接近潜在空间中的相应健康图像。我们使用Human Connectome Project数据集来学习健康出现的脑MRI的分布，并报告在BRATS挑战数据集中的病变AUC方面的改进检测。

Introduction

人类可以即时检测到大多数病变，并且即使在没有经过广泛训练的情况下也能准确地分割异常区域。看过几个健康的大脑图像，为他们提供必要的先验信息，以检测看起来异常的病变。我们注意到，这绝对不同于识别病变（即神经胶质瘤，脑膜瘤，多发性硬化症），这是一个更加困难的问题。使用健康外观组织的先验信息模拟人类检测异常区域的能力的算法将非常有趣。首先，它们对于开发进一步的方法至关重要，这些方法需要较少数量的标记实例来构建病变检测工具和可能的识别工具。其次，这种算法可以很容易地推广到以前看不见的病变，类似于人类目前可以做的事情。最后，这是一个有趣的科学挑战，可能是人类和机器学习之间差异的核心。受这些方面的启发，我们通过学习健康大脑图像的先验分布，专注于无监督的病变检测。变分自动编码器（VAE）模型[7]和与之相关的模型，如对抗自动编码器（AAE）[8]已成功用于近似图像的高维数据分布和离群检测[9]。它们对于无监督检测异常病变特别有意义，因为它们允许近似给定图像相对于它们被训练的分布的可能性。在它们的自动编码器结构中，首先对给定的测试图像进​​行编码然后对其进行解码，即重建。两种编码的潜在表示，假设异常值与正常数据样本分开，并且在不同的计算机视觉任务中研究异常检测[9]的重建。在这项工作中，我们研究了VAE和AAE模型，用于脑部MRI中无监督的病变检测。我们确定了这些模型的相关缺点，潜在空间表示缺乏一致性，并提出了一种简单有效的方法来解决它，通过在训练期间添加一个鼓励潜在空间一致性的约束。在我们的实验分析中，我们用提出的约束模型训练VAE，AAE和AAE，其中T2加权健康脑图像是从人类连接项目（HCP）数据集中提取的。然后，我们使用学习的分布以无监督的方式在BRATS数据集的T2加权图像中检测异常病变，其中病变对应于脑肿瘤。