Exploiting Structural Consistency of Chest Anatomy for Unsupervised Anomaly Detection in Radiography Images

放射学成像协议关注特定的身体部位，因此产生的图像相似度高，患者之间的解剖结构也往往相似。利用这种结构化信息，可能有助于从放射学图像中轻松检测异常情况。为此，我们提出了一种用于修复和检测放射学图像异常的简单空间感知记忆矩阵（简称SimSID）。我们将异常检测表述为图像重建任务，包括一个空间感知记忆矩阵和一个特征空间中的修复块。在训练过程中，SimSID可以将内在的解剖结构分类为重复的视觉模式，在推理过程中，它可以从测试图像中识别异常情况（未见过/修改的视觉模式）。我们的SimSID在ZhangLab、COVIDx和CheXpert基准数据集上的无监督异常检测方面的AUC得分分别比现有技术高出8.0％，5.0％和9.9％。代码：https://github.com/MrGiovanni/SimSID。

论文旨在利用医学图像中的结构信息，提出一种新的无监督异常检测方法，以检测未见过或修改后的视觉模式。

论文将异常检测问题转化为图像重建任务，通过一个空间感知的记忆矩阵和特征空间中的修补块来实现。在训练过程中，SimSID可以将内在的解剖结构分类为重复的视觉模式，而在推理中，它可以从测试图像中识别异常。

论文在三个基准数据集上超过了现有的无监督异常检测的最新成果，分别是ZhangLab，COVIDx和CheXpert。论文提供了开源代码。

与本文相关的研究包括基于深度学习的异常检测方法，如Autoencoder，GAN和VAE等。