高质量的半监督异常检测与生成对抗网络的高质量半监督异常检测
Yuki Sato1, Junya Sato2,3, Noriyuki Tomiyama3
1Systems and Information Engineering Master's Program in Computer Science, University of Tsukuba, 1-1-1 Tenoudai, Tsukuba City, Ibaraki, 305-0821, Japan. s2220599@u.tsukuba.ac.jp.
International journal of computer assisted radiology and surgery
|November 9, 2023
概括
这项研究介绍了高质量异常GAN (HQ-AnoGAN),一种用于异常检测的新方法. HQ-AnoGAN在检测异常方面实现了高精度,并提供了清晰的可视化,特别有利于医学成像分析.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 使用生成模型的异常检测方法提供更容易的可视化,但难以准确.
- 分类模型在准确可视化检测到的异常方面面临着挑战.
- 生成对抗网络 (GANs) 为结合精度和可视化提供了一个潜在的解决方案.
研究的目的:
- 开发一种方法,将异常检测准确度和异常区域的清晰可视化结合起来.
- 利用生成对抗网络 (GANs) 来改进异常检测和可视化.
- 建立一个强大的方法来识别和呈现数据中的异常.
主要方法:
- 使用了带有自适应区分器增强的StyleGAN2 (StyleGAN2-ADA),用于生成高质量的图像.
- 使用像素到样式到像素 (pSp) 编码器将图像转换为中间隐藏变量.
- 提出了一种使用这些隐性变量的新型异常得分计算方法,称为高质量异常GAN (HQ-AnoGAN).
主要成果:
- 与现有方法相比,HQ-AnoGAN在三个数据集中显示出同等或更高的异常检测准确度.
- 使用HQ-AnoGAN对异常区域的可视化比使用现有方法的可视化更准确和自然.
- 该方法成功地产生了高分辨率,高质量的图像,即使在有限的数据集.
结论:
- HQ-AnoGAN有效地将高异常检测准确度与异常区域的清晰可视化相结合.
- 拟议的方法整合了StyleGAN2-ADA和pSp编码器,为医学成像诊断提供了显著的潜力.
- HQ-AnoGAN解决了在医疗应用中需要清晰的异常解释的可解释AI的需求.
