医療画像における教師なし異常検出および局所化のための制約付きコントラスト分布学習

教師なし異常検出（Unsupervised Anomaly Detection, UAD）は、正常（すなわち健康）な画像のみを用いて1クラス分類器を学習し、予期される正常パターンに従わない異常（すなわち不健康）なサンプルを検出することを目的とする。UADは、完全に教師ありの手法と比較して、2つの主要な利点を持つ。第一に、健康スクリーニングプログラムから入手可能な大規模なデータセット（主に正常画像で構成）を直接活用でき、異常サンプルの高コストな手動ラベル付与を回避し、極めてクラス不均衡なデータを用いた学習に伴う問題を回避できる。第二に、UADアプローチは、正常パターンから逸脱するあらゆる種類の病変を検出および局在化する可能性を有している。UAD手法が直面する重要な課題の一つは、微小な病変からなる微妙な異常を検出・局在化するための有効な低次元画像表現をいかに学習するかである。この課題に対処するために、本研究では、自己教師付き表現学習の新規手法である「異常検出のための制約付き対照的分布学習（Constrained Contrastive Distribution learning, CCD）」を提案する。本手法は、前処理制約を用いた対照学習を用いて、データの拡張後の分布と画像の文脈を同時に予測することにより、細粒度な特徴表現を学習する。得られた表現は、より異常に対して感度の高い検出モデルの学習に活用できる。広範な実験結果から、本手法は3つの異なる大腸内視鏡および網膜スクリーニングデータセットにおいて、現在の最先端UAD手法を上回ることを示した。本研究のコードは、https://github.com/tianyu0207/CCD にて公開されている。