平均シフト密度強調による医用画像の改善された異常検出

概要: 医用画像における異常検知は、特に注釈付きの異常サンプルが限られている場合に、まれな病理学的状態を特定するために不可欠です。本研究では、自己教師あり表現学習とマンifold（多様体）ベースの密度推定を統合したハイブリッド異常検知フレームワークを提案します。この組み合わせは、この領域ではほとんど未探索のままです。
医用画像はまず、事前学習済みであり、潜在的に領域に特化したバックボーンを用いて、潜在特徴空間へ埋め込みます。次に、これらの表現は、Mean Shift Density Enhancement（MSDE）によって洗練されます。MSDEは、サンプルをより高い尤度の領域へと移動させる反復的な多様体シフト手順です。続いて、異常スコアは、PCAで次元圧縮した潜在空間におけるガウス密度推定を用いて計算されます。ここで、マハラノビス距離が学習された正常分布からの逸脱を測定します。このフレームワークはワンクラス学習のパラダイムに従い、訓練には正常サンプルのみを必要とします。
7つの医用画像データセットに対する大規模な実験により、最先端の性能が示されます。MSDEは4つのデータセットで最高のAUCを達成し、5つのデータセットで最高の平均精度（Average Precision）を達成しています。さらに、脳腫瘍検出においてほぼ完璧な性能（0.981 AUC/AP）も得られました。これらの結果は、提案フレームワークが早期疾患検出のためのスケーラブルな臨床意思決定支援ツールとして、ラベル数が少ない設定でのスクリーニング、ならびに多様な画像モダリティにまたがる堅牢な実運用のための可能性を有することを裏付けています。