《Pattern Recognition Letters》：FsBAD: Data-efficient feature reconstruction for few-shot brain anomaly detection
编辑推荐：
基于特征重建与分布正则化的少数样本脑异常检测方法FsBAD通过线性变换重建正常脑影像，结合低频结构对齐和高频信号保留策略，有效解决标注数据稀缺问题，并在肝脏CT、视网膜图像等跨领域数据集上验证其泛化能力。
Hussain Ahmad Madni|Hafsa Shujat|Axel De Nardin|Silvia Zottin|Gian Luca Foresti
乌迪内大学，Via delle Scienze, 206, 乌迪内，33100，意大利
摘要
在脑部异常检测中，数据效率仍然是一个核心挑战，因为标注的数据集往往非常稀缺。大多数现有方法都是为单类别场景设计的，其泛化能力有限。我们提出了FsBAD，这是一种基于特征重建的方法，旨在在少量样本的情况下进行脑部异常检测，并且只需要最少的监督。FsBAD通过利用一小部分对齐的参考样本来重建异常脑部扫描的“名义”版本。为了提高重建质量，我们提出了一种新的特征对齐策略，该策略结合了回归和分布正则化，从而同时提升了语义准确性和名义一致性。虽然FsBAD是为脑部成像优化的，但我们在肝脏和视网膜数据集上也评估了其泛化能力。实验表明，即使在极少的样本数量（2到15个样本）下，FsBAD在图像分类和像素级异常定位方面也始终优于现有的最先进方法。这证明了FsBAD作为可扩展、数据高效解决方案在脑部异常检测中的潜力及其在医学成像任务中的鲁棒性。
引言
脑部异常检测对于早期诊断和治疗至关重要，但由于异常的微妙性质以及在不同个体和成像模式之间的变异性，这一任务仍然具有挑战性。传统上，计算机视觉中的异常检测在工业检测任务中取得了成功，因为在这些任务中，异常通常出现在结构明确且重复的环境中[1]、[2]、[3]。然而，将这些技术应用于医学领域，特别是脑部MRI，会遇到独特的挑战，因为标注数据的稀缺性、类内高变异性以及与隐私、数据共享和标记相关的伦理限制[4]、[5]。
大多数最先进的异常检测方法依赖于传统的监督学习范式[6]、[7]、[8]、[9]、[10]、[11]、[12]，这些方法需要大量标注良好的名义数据，并且理想情况下需要多样化的标记异常样本。不幸的是，在医学场景中，这些假设并不成立：异常病例本身就很罕见，标注成本高昂，且具有敏感性。因此，最近的研究转向了无监督或弱监督策略，试图仅对健康数据的分布进行建模并检测其中的偏差[13]、[14]、[15]、[16]。其中，基于重建的方法（例如自动编码器）旨在通过大量的训练来学习名义分布，而特征匹配方法[17]、[18]则依赖于将测试样本的特征与名义样本的数据库进行比较。这两种方法都依赖大量数据，并且难以跨多个类别或成像领域进行扩展。
在这项工作中，我们解决了这些限制，提出了FsBAD，这是一个无需训练且数据高效的脑部异常检测框架。我们的方法适用于只有少量名义样本可用的实际场景。FsBAD利用少量名义特征的数据库，在特征层面通过线性变换来重建给定查询样本的无异常版本。与传统重建方法不同，我们的方法将重建图像的低频（即结构）内容与查询图像对齐，同时保留了揭示异常的高频信号。为了确保重建图像符合名义样本的分布同时在视觉上接近查询图像，我们引入了基于经典岭回归的分布正则化项。这使我们能够将高斯模型拟合到名义特征空间，并相应地约束重建结果。由此产生的优化问题具有封闭形式的解，从而实现了快速计算，并便于在资源有限的临床环境中部署FsBAD。尽管FsBAD是为脑部MRI设计的，但我们还评估了其在其他医学成像任务（包括肝脏CT和视网膜眼底图像）中的适应性，以衡量其泛化能力。
我们在三个不同的医学数据集上评估了FsBAD的性能：脑部MRI[19]、[20]、[21]、肝脏CT[22]、[23]和视网膜眼底图像[24]，结果显示其在各种少量样本情况下均表现出色。特别是，在脑部异常检测中，FsBAD达到了最先进的AUROC分数，证实了其鲁棒性和泛化能力。
相关研究
医学异常检测在计算机视觉领域受到了广泛关注，可以大致分为两类：特征匹配方法和基于重建的方法。传统的基于重建的方法通过生成对抗网络[25]、[26]、[27]或重建损失[27]、[28]、[29]对异常样本进行分类。
方法论
在本节中，我们将详细介绍提出的FsBAD方法，该方法用于脑部MRI中的医学异常检测。该方法采用了一种高效且可扩展的方法，利用特征重建和分布正则化来进行少量样本的医学异常检测。具体来说，FsBAD由三个关键部分组成：（1）带有共同重置选择模块的特征提取；（2）由分布正则化机制指导的重建步骤。
数据集
我们在两个脑部MRI数据集以及两个专注于肝脏CT和视网膜RESC的数据集上评估了FsBAD的泛化能力。特别是，我们使用了2022年医学分割十项全能赛[40]中提取的脑部MRI数据集，以及BMAD基准测试[19]提供的数据集来评估我们的模型在脑部MRI数据上的表现。此外，我们还选择了BMAD[41]中的另外两个数据集，每个数据集代表了不同的医学场景。
结论
在本文中，我们提出了FsBAD，这是一种新颖的少量样本医学异常检测方法，它使用最少的名义参考特征来重建查询样本的“名义”版本。通过结合分布正则化和岭回归，FsBAD确保重建样本保留了名义特征，同时有效地突出了异常。我们的方法显著减少了对大型标注数据集的依赖，使其成为一种可扩展且计算效率高的方法。
CRediT作者贡献声明
Hussain Ahmad Madni：撰写——原始草稿、方法论、形式分析、数据整理、概念构建。Hafsa Shujat：撰写——审阅与编辑、验证、调查。Axel De Nardin：撰写——审阅与编辑、验证、形式分析。Silvia Zottin：撰写——审阅与编辑、验证、形式分析。Gian Luca Foresti：监督、资源协调、项目管理、调查、资金获取。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Gian Luca Foresti与乌迪内大学存在关系，包括就业、资金资助和非财务支持。如果还有其他作者，他们声明没有已知的可能会影响研究结果的财务利益或个人关系。
致谢
本文部分得到了以下支持：FVG项目“通过AI支持罕见疾病诊断”（2023-2026年）（项目A，CUP编号：F53C22001770002；项目B，CUP编号：F53C22001780002）；乌迪内大学“人工智能部门战略计划”（2022-2025年）；2021年12月30日的国家恢复与韧性计划（PNRR）DD 3277
（PNRR任务4，组成部分2，投资1.5）- iNEST。
