Brainomaly: Unsupervised Neurologische Krankheitsdetektion unter Verwendung unbeschrifteter T1-gewichteter Gehirn-MR-Bilder

Die Nutzung tiefer neuronaler Netze im Bereich der medizinischen Bildgebung ist aufgrund der Schwierigkeiten bei der Beschaffung großer annotierter Datensätze herausfordernd, insbesondere für seltene Erkrankungen, da die Annotation hohe Kosten, Zeit und Aufwand erfordert. Unüberwachte Methoden zur Krankheitsdetektion, wie beispielsweise die Anomalieerkennung, können diesen Aufwand erheblich reduzieren. Während die Anomalieerkennung typischerweise nur auf Bildern gesunder Individuen trainiert wird, liegen in realen Anwendungsszenarien oft unannotierte Datensätze vor, die eine Mischung aus gesunden und erkrankten Patienten enthalten. Kürzlich veröffentlichte Studien haben gezeigt, dass die Nutzung solcher unannotierten Bilder die Leistung von unsupervisierter Krankheits- und Anomalieerkennung verbessern kann. Diese Ansätze nutzen jedoch keine spezifischen Kenntnisse über registrierte neurologische Bilder, was zu einer suboptimalen Leistung bei der Erkennung neurologischer Erkrankungen führt. Um diesen Limitationen entgegenzuwirken, stellen wir Brainomaly vor – eine auf GANs basierende Bild-zu-Bild-Übersetzungs-Methode, die speziell für die Erkennung neurologischer Erkrankungen entwickelt wurde. Brainomaly bietet nicht nur eine maßgeschneiderte Bild-zu-Bild-Übersetzung, die auf neurologische Bilder zugeschnitten ist, sondern nutzt zudem unannotierte gemischte Bilder, um die Leistung bei der Erkennung neurologischer Erkrankungen signifikant zu verbessern. Zudem lösen wir das Problem der Modellauswahl bei der Inferenz ohne annotierte Proben, indem wir ein pseudo-AUC-Maß vorschlagen, das die Detektionsleistung von Brainomaly weiter verbessert. Umfangreiche Experimente und Ablationsstudien zeigen, dass Brainomaly bestehende state-of-the-art-Methoden zur unsupervisierten Krankheits- und Anomalieerkennung bei der Erkennung von Alzheimer-Krankheit anhand eines öffentlich verfügbaren Datensatzes und bei der Kopfschmerzdetektion anhand eines institutionellen Datensatzes deutlich übertrifft. Der Quellcode ist über https://github.com/mahfuzmohammad/Brainomaly verfügbar.