Rethinking Autoencoders for Medical Anomaly Detection from A Theoretical Perspective

医学异常检测旨在仅使用正常训练数据识别异常发现，对健康筛查和识别罕见疾病至关重要。基于重构的方法，尤其是利用自编码器（AE）的方法，在这个领域中占据主导地位。它们的工作基于这样的假设：仅在正常数据上训练的AE不能很好地重构未见过的异常区域，从而实现基于重构误差的异常检测。然而，由于重构训练目标和异常检测任务目标之间的不匹配，这种假设并不总是成立，使得这些方法在理论上不可靠。本研究旨在为基于AE的重构方法提供理论基础，用信息论来阐明这些方法的原则，并揭示改进AE在异常检测中的关键在于最小化潜在向量的信息熵。在两种图像模态的四个数据集上的实验验证了我们理论的有效性。据我们所知，这是第一个在理论上阐明AE在异常检测中的原则和设计哲学的努力。代码将在接受后提供。

解决问题：论文旨在为基于自编码器（AE）的重建方法在异常检测中的应用提供理论基础，探究如何最小化潜在向量的信息熵来提高AE在异常检测中的性能。

关键思路：通过运用信息论，阐明了AE在异常检测中的原理和设计理念，揭示了最小化潜在向量的信息熵是提高AE在异常检测中性能的关键。

其他亮点：论文在四个数据集上进行了实验，验证了理论的有效性。该研究是首次为AE在异常检测中的原理和设计理念提供了理论基础。研究者将提供代码。

相关研究：最近的相关研究包括“Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection”和“Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery”。