基于对抗学习与模拟异常的组织病理学图像无监督异常检测方法ALSA-UAD研究

《Journal of Visual Communication and Image Representation》：ALSA-UAD: Unsupervised anomaly detection on histopathology images using adversarial learning and simulated anomaly

本文提出了一种结合对抗学习与模拟异常技术的无监督异常检测（UAD）方法ALSA-UAD，通过特征混合构建平滑特征分布，并利用图像变形模拟异常样本，显著提升了组织病理学图像中异常区域的检测精度。该方法仅需正常样本训练，有效缓解了医学图像标注负担，在多个医学影像基准测试中达到领先性能，为罕见病变与未知疾病筛查提供了新思路。

　　

亮点

无监督异常检测

近年来，无监督异常检测在工业领域展现出显著成果。UAD方法主要分为两类：基于嵌入的方法（embedding-based methods）和基于重建的方法（reconstruction-based methods）。基于嵌入的方法旨在从正常样本中提取特征，将偏离正常特征分布的样本判定为异常；而基于重建的方法（如自编码器）通过比较原始图像与重建图像的差异来识别异常。

方法

图2展示了我们提出的ALSA-UAD方法，包含三个核心流程：图像重建（中心）、混合特征（右侧）和模拟异常（左侧）。下文将详细阐述其功能与设计。

数字组织病理学异常检测基准

为公平比较，我们在BMAD集合中的数字组织病理学异常检测基准（DHAD）上训练并测试模型。该基准基于Camelyon16数据集（乳腺癌转移检测数据集），遵循先前研究将全幻灯片图像（WSI）在40倍放大下分割为256×256像素的 patches。训练集包含5088个正常样本。

结论

我们提出了一种基于重建的无监督方法用于检测全幻灯片图像中的异常，仅使用正常图像训练且训练阶段不接触异常样本。该方法以自编码器为核心，通过混合正常图像特征池中的随机特征，并基于对抗学习增强编码器与解码器的表征能力。实验表明该方法在组织病理学及其他医学影像任务中均表现优异。