摘要

在临床影像领域获取专家标注标签十分困难，因为全面标注过程耗时耗力。此外，并非所有可能相关的影像标志物在事前都能被充分识别或准确描述，因而难以指导标注工作。尽管监督学习在拥有专家标注训练数据的情况下能够取得良好效果，但其所能检测与利用的影像异常类型（即“发现词汇”）受限于已标注病灶的范围，难以覆盖未被事先定义的异常表现。为此，本文提出一种基于生成对抗网络（GAN）的无监督学习方法——快速异常生成对抗网络（fast AnoGAN，简称 f-AnoGAN），可有效识别异常图像及图像局部区域，所发现的异常模式可作为潜在的影像生物标志物候选。我们首先构建健康样本的生成模型，进而提出并评估一种高效的新数据映射至 GAN 隐空间的技术。该映射基于一个预训练的编码器实现，异常检测则通过综合评估模型构建模块的残差误差来完成，具体包括判别器特征层残差误差与图像重建误差。在光学相干断层扫描（OCT）数据上的实验表明，所提方法优于多种对比方法，并展现出高精度的异常检测能力。此外，通过两名视网膜专家参与的视觉图灵测试，结果显示生成的图像与真实正常视网膜OCT图像在视觉上无法区分。f-AnoGAN 的开源代码已发布于 https://github.com/tSchlegl/f-AnoGAN。