AnoDDPM: Anomalieerkennung mit de-noising Diffusions-wahrscheinlichen Modellen unter Verwendung von Simplex-Rauschen

Generative Modelle haben sich als leistungsfähiges Werkzeug für die Anomalieerkennung erwiesen, da sie lernen, gesunde oder normale Referenzdaten zu modellieren, die anschließend als Baseline zur Bewertung von Anomalien dienen können. In dieser Arbeit betrachten wir de-noising Diffusion Probabilistic Models (DDPMs) für die unsupervised Anomalieerkennung. DDPMs bieten eine überlegene Modusabdeckung im Vergleich zu generativen adversarialen Netzwerken (GANs) und eine höhere Qualitätsstufe der Generierung im Vergleich zu variationalen Autoencodern (VAEs). Dieser Vorteil geht jedoch mit einer schlechten Skalierbarkeit und verlängerten Sampling-Zeiten einher, da lange Markov-Kettenfolgen erforderlich sind. Wir beobachten, dass bei der Anomalieerkennung basierend auf Rekonstruktion keine vollständige Markov-Ketten-Diffusion notwendig ist. Dies führt uns zu der Entwicklung einer neuartigen partiellen Diffusionsstrategie zur Anomalieerkennung, die sich für hochauflösende Bilder eignet und als AnoDDPM bezeichnet wird. Ein weiteres Problem besteht darin, dass die klassische Gaußsche Diffusion größere Anomalien nicht hinreichend erfassen kann. Daher entwickeln wir einen mehrskaligen Simplex-Rausch-Diffusionsprozess, der die Größe der Zielanomalie gezielt steuern lässt. AnoDDPM mit Simplex-Rausch zeigt sich sowohl qualitativ als auch quantitativ deutlich überlegen gegenüber f-AnoGAN und Gaußscher Diffusion auf dem tumörspezifischen Datensatz aus 22 T1-gewichteten MRT-Aufnahmen (CCBS Edinburgh), wobei eine Verbesserung um +25,5 % im Sorensen-Dice-Koeffizienten, +17,6 % im IoU und +7,4 % im AUC erreicht wird.