セマンティック反復再構成：ワンショットによるユニバーサル異常検出

要旨: 教師なしの医療異常検出は、正常な学習サンプルが乏しいことによって厳しく制限されています。既存手法は通常、各データセットまたは疾患ごとに専用のモデルを学習し、タスクあたり数百枚の正常画像を必要とするだけでなく、モダリティをまたいだ汎化ができないという問題があります。
本研究では、意味論的反復再構成（Semantic Iterative Reconstruction: SIR）という枠組みを提案します。この枠組みにより、非常に少ない正常サンプルを用いて、単一のユニバーサルモデルが多様な医療領域にわたって異常を検出できるようになります。SIRは、事前学習済みの教師エンコーダを活用してマルチスケールの深い特徴を抽出し、深い特徴空間における頑健な正常性の事前知識を強制するために、マルチループの反復的洗練を伴うコンパクトな「アップしてからダウンする」デコーダを用います。さらに、この枠組みはワンショットのユニバーサル設計を採用します。すなわち、9つの異種データセットそれぞれから正確に1つの正常サンプルを混合して1つのモデルを学習し、タスク固有の再学習を行わずに、対応するすべてのテストセットで有効な異常検出を実現します。
9つの医療ベンチマークに対する大規模な実験により、SIRは4つの設定すべて――ワンショット・ユニバーサル、フルショット・ユニバーサル、ワンショット・スペシャライズド、フルショット・スペシャライズド――において最先端を達成し、先行手法を一貫して上回ることが示されました。SIRは、多領域の臨床異常検出に対する効率的でスケーラブルな解決策を提供します。コードは https://github.com/jusufzn212427/sir4ad で利用可能です。