AnoDDPM : Détection d’anomalies à l’aide de modèles probabilistes de diffusion de débruitage utilisant un bruit simplexe

Les modèles génératifs se sont révélés offrir un mécanisme puissant pour la détection d’anomalies en apprenant à modéliser des données saines ou normales, qui peuvent ensuite servir de référence pour évaluer les anomalies. Dans ce travail, nous considérons les modèles probabilistes de diffusion débruitants (DDPM) pour la détection d’anomalies non supervisée. Les DDPM présentent une meilleure couverture des modes par rapport aux réseaux antagonistes génératifs (GAN) et une qualité d’échantillonnage supérieure à celle des autoencodeurs variationnels (VAE). Toutefois, cela se fait au détriment d’une mauvaise évolutivité et d’un temps d’échantillonnage accru, dus aux longues séquences de chaînes de Markov nécessaires. Nous observons qu’au sein des méthodes de détection d’anomalies basées sur la reconstruction, une chaîne de diffusion complète de longueur maximale n’est pas requise. Cela nous conduit à proposer une nouvelle stratégie de détection d’anomalies par diffusion partielle, scalable à des images haute résolution, nommée AnoDDPM. Un deuxième problème réside dans le fait que la diffusion gaussienne échoue à capturer des anomalies de grande taille ; nous développons donc un processus de diffusion à bruit simplexe multi-échelle, offrant un contrôle précis sur la taille cible des anomalies. AnoDDPM combiné au bruit simplexe s’avère significativement supérieur à la fois à f-AnoGAN et à la diffusion gaussienne sur le jeu de données tumoral composé de 22 IRM T1 (CCBS Edinburgh), tant sur le plan qualitatif que quantitatif (amélioration respective de +25,5 % du coefficient de Sørensen-Dice, +17,6 % de l’IoU et +7,4 % de la AUC).