Unsupervised anomaly detection on brain fractional anisotropymaps by inpainting with denoising diffusion probabilistic models

Anomali tespiti, çeşitli araştırma alanlarında kritik bir inceleme alanını oluşturmaktadır. Derin öğrenmedeki son gelişmeler, anormallik tespiti için sinir ağlarının uygulanmasını kolaylaştırmıştır. Ancak, veri toplama ve etiketleme işleminin yüksek maliyetleri ve zaman alıcı doğası, denetimsiz öğrenme tekniklerinin ortaya çıkmasına yol açmıştır. Denetimsiz öğrenme alanında, üreteci modeller, eğitim amaçları için çeşitli veri üretmeyi mümkün kılan bir önem kazanmıştır. Tıbbi görüntüleme bağlamında, özellikle beyin MR'ları, genellikle T1 ağırlıklı veya T2 ağırlıklı görüntüler kullanılarak 3D hacimlerin 2D kesitlerinde anormallikleri tespit etmek için üreteci modeller kullanılmıştır. Bu çalışma, DDPM kullanarak, girişte inpainting uygulayarak beyin Fraksiyonel Anizotropi (FA) haritalarının 3D kısmi hacimlerini üretmekte ve ardından iç boyama maskeleri ile tam 3D hacimleri oluşturmaktadır. Anormallikler, modelin giriş ve çıkış arasındaki farkı değerlendirerek tanımlanır. Üreteci modelin performansı, SSIM, PSNR, Maksimum Mutlak Fark ve Ortalama Yüzde Hata gibi ölçütler kullanılarak değerlendirilir. Anormallik tespit doğruluğu, IoU ve F1 skoru kullanılarak değerlendirilmiştir. Önerilen model, 0.05 IoU ve 0.095 F1 skoru elde etmiştir. Önerilen metod, önceki çalışmalarla karşılaştırılmış ve önceki çalışmaların %50 DICE skoru elde ettiği, çıkarsama esnasında uygulanan iç boyama metoduyla ise %39.01 DICE skoru elde ettiği gösterilmiştir.