PR-115 "Unsupervised Anomaly Detection with Generative Adversarial Networks" AnoGAN Review (2017 IPMI)(GAN)

PR-115 "Unsupervised Anomaly Detection with Generative Adversarial Networks" AnoGAN Review (2017 IPMI)(GAN)

 

 

목차

 

 

 

 

1. Citations & Abstract 읽기

Citations : 2021.12.26 기준 1208회

저자

Thomas Schlegl, Philipp Seebock - Computational Imaging Research Lab, Christian Doppler Laboratory for Ophthalmic Image Analysis
Sebastian M. Waldsteinm, Ursula Schmidt-Erfurth - Christian Doppler Laboratory for Ophthalmic Image Analysis
Georg Langs - Computational Imaging Research Lab

Abstract

질병 진행과 치료 모니터링과 관련된 영상 marker를 포착하는 모델을 획득하는 것은 어렵다. 모델들은 일반적으로 자동 검출(automating detection)을 목표로 알려진 marker에 annotated(주석이 달린) 예제를 포함하는 많은 양의 데이터를 기반으로 한다. 높은 주석 노력과 알려진 마커의 어휘의 제한은 이런 접근들의 힘을 제한한다. 여기서 우리는 marker의 후보로써 이미지 데이터에서의 이상 징후를 식별하기 위해 비지도 학습을 수행한다. 우리는 이미지 공간에서 잠재공간으로의 매핑을 기반으로 하는 새로운 anomaly scoring scheme(이상 점수 체계)를 동반하여 정상적인 해부학적 가변성의 매니폴드를 학습하기 위한 심층 conv GAN, AnoGAN을 제안한다. 새로운 데이터를 적용했을 때 모델은 이상들을 라벨링하고 학습된 분포에 적함함을 나타내는 이미지 패턴을 점수화한다. 망막의 광학 일관성 단측 촬영 영상에 대한 결과는 해당 접근 방식이 망막액 혹은 초반사 초점을 포함하는 이미지와 같은 이상 이미지들을 식별할 수 있다는 것을 증명한다.

tomography 단층 촬영

 

=> AnoGAN이라는 새로운 방법론을 제안하여 이상 마커가 가능하도록 하는 라벨링 방법론을 제안함.

 

 

2. 발표 정리

https://youtu.be/R0H0gqtnMyA

 

 

공식 논문 링크

https://link.springer.com/chapter/10.1007/978-3-319-59050-9_12

https://arxiv.org/abs/1703.05921

Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

 

Presentation Slide

https://www.slideshare.net/MingukKang/anomaly-detection-121788059

Anomaly detection

Contents

 

처음으로 GAN을 사용한 Anomaly Detection 기법임을 주장.

 

Motivation

1. The detection and quantification of disease marker in imaging data is critical during diagnosis.

진단에 있어 중요한 질병 marker가 중요

2. Many diseases lack a sufficiently broad set, so the predictive power of markers is limited.

많은 정보를 사용할 수 있는 marker의 정보를 전달할 필요가 있음

3. Labeling Problem, Imbalancing Data Problem

 

Authors : Let's make Anomaly detection model with unsupervised way.

 

Training

 

 

영상의 frame을 잘라 preprocessing을 진행 (GAN 허용 resolution의 한계 때문에)

64x64 random crop 

Training 이후 이상 식별

 

 

 

Anomaly score $A(x) = (1-\lambda) * Residual\ loss + \lambda * Discrimination\ loss$

 

Experiment

Data set

Train data : 1,000,000 2D patches with 64x64 pixels

Test Data : 8192 patches with 64x64 pixels (Normal과 abnormal의 개수는 알 수 없었음)

 

DCGAN 사용 - gray scale이기 때문에 channel 줄여 사용 

 

Performance

 

 

Data Imbalancing에서는 ACC가 높을 수 있음

Precision, Recall

ROC Curve 활용

 Discrimination loss

Convolutional VAE 

 

 

참조

GitHub

https://github.com/xtarx/Unsupervised-Anomaly-Detection-with-Generative-Adversarial-Networks

GitHub - xtarx/Unsupervised-Anomaly-Detection-with-Generative-Adversarial-Networks: Unsupervised Anomaly Detection with Generati

 

블로그