AI Spots医学图像中的异常

图像异常检测是许多行业的数据分析中出现的任务。然而，医疗扫描构成了特殊的挑战。算法更容易找到，说，一辆带有漏气轮胎的汽车或一系列汽车图片中的挡风玻璃比辨别到哪一个X射线显示肺部的早期病理迹象，就像发病一样新冠肺炎肺炎

“医学形象由于几个原因很难，”研究所的计算成像集团负责人Dymitry Dylov和该研究的高级作者解释道。“对于一件事而言，异常看起来非常像正常情况。细胞是细胞，你通常需要训练有素的专业人员来识别一些人的不安。”

“除此之外，训练了异常例子的短缺神经网络研究人员补充道：“在这方面，机器擅长于两类问题。那时你有两个不同的课程，每个课程都有很多训练的例子，比如猫和狗。在医学扫描中，正常病例的比例总是非常高，只是偶尔出现一些不正常的例子。而且，即使是这些异常，它们之间也往往是不同的，所以你没有一个定义明确的异常类别。”

Dylov的研究小组研究了四组胸部X光片数据集和乳腺癌组织学显微镜检查图像，以验证该方法在不同成像设备中的普遍性。虽然获得的优势和绝对精度差异很大，并且取决于所讨论的数据集，但在所有考虑的情况下，新方法始终优于传统解决方案。新方法与传统方法的区别是什么对竞争对手来说，它试图通过识别影响人类注释者决策的特征，来“感知”从事扫描工作的专家可能具有的总体印象。

该研究还采用该研究分开是建议的配方，用于标准化医学图像异常检测问题的方法，以便不同的研究组可以以一致和可重复的方式比较他们的模型。

“我们建议使用所谓的弱监督培训，”Dylov说。“由于两个明确定义的类别不可用来，这项任务通常往往会用无监督或分发的模型处理。也就是说，不识别出在训练数据中的异常情况。但是，处理异常阶层作为一个完整的未知实际上是一个非常奇怪的临床问题，因为医生总是可以指向一些异常的例子。所以，我们向网络向网络展示了一些异常的图像，释放了弱监督的方法，它帮助了很多。甚至只有一个每200个正常的扫描的异常扫描很长的路，这是非常现实的。“

根据作者的说法，他们的方法深度感知自动编码器很容易推广到研究中使用的两种扫描之外的广泛的其他医学扫描中，因为该解决方案适应了此类图像的一般性质。即，它对小规模异常非常敏感，并在训练中使用了他们的一些示例。

研究共同作者和莫斯科伊琳娜Fedulova的飞利浦研究分公司主任评论，“我们很高兴飞利浦-Skoltech合作伙伴关系使我们能够解决与卫生保健行业具有重要意义的挑战。我们期待这一点解决方案可相当加速组织病理学家，放射科医师和其他医学专业人员面临的繁琐特定的医学专业人员在大型图像中发现微小异常的繁琐任务。通过使扫描进行初步分析，可以消除明显的未解决的图像，使人类专家更多是时候专注于更暧昧的案件。“

科学家们在报告中报告了他们的结果IEEE访问。