[GAN][图片异常检测]Unsupervised Anomaly Detection withGenerative Adversarial Networks to GuideMarker Disco

论文背景与目标:

        本文旨在将GAN运用到图片异常检测中，并取得了一定的效果,该模型不仅能够检测已知的异常，还能够发现未曾标注的新异常。

• • 提出了结合GAN的生成和判别功能的新型异常评分方法。
  • 在无监督的前提下实现了异常图像的分割。
  • 通过利用GAN的潜在空间，提出了新的图像映射和特征匹配方法，使得异常检测更加准确。

论文核心思想

        本文主要通过GAN学习正常样本，获得正常样本的分布特征。在预测阶段，模型将图片还原重构，因为系统中缺少异常样本的信息，所以当异常样本进入系统时，不能被正常重构，因而被鉴定为异常，同时因为只有异常区域会被错误重构，我们也可以借此定位异常区域，实现图片分割，本论文实质上也是经典的A reconstructive and discriminative anomaly detection model，通过重建图片来实现异常检测。

网络架构:

1. 生成器（Generator）：

• 生成器的任务是从**潜在空间（latent space）中的随机噪声向量 zzz 生成逼真的健康图像。生成器是一个卷积解码器，它通过一系列反卷积层（fractionally-strided convolutional layers）**将噪声向量逐步转换为高维图像。
• 具体的层次结构包括四层反卷积层，每一层都使用5x5大小的卷积核，并逐层减少通道数：
  • 第一层：512个通道
  • 第二层：256个通道
  • 第三层：128个通道
  • 第四层：64个通道
• 最终输出的图像大小为 64×64 像素，是一个灰度图像。

2. 判别器（Discriminator）：

• 判别器的任务是区分输入图像是来自真实数据集的健康图像，还是生成器生成的图像。它是一个标准的卷积神经网络（CNN），通过一系列卷积层提取特征，并最终输出一个标量，表示输入图像是“真实”的概率。
• 判别器同样由四层卷积层组成，每层的卷积核大小也是5x5：
  • 第一层：64个通道
  • 第二层：128个通道
  • 第三层：256个通道
  • 第四层：512个通道
• 判别器通过对生成图像和真实图像进行分类，不断提升自身的判别能力，同时也迫使生成器生成更加逼真的图像。

3. 映射机制（Mapping from Image to Latent Space）：

• GAN模型生成的是从潜在空间到图像空间的映射，但论文中额外提出了一种将图像映射回潜在空间的方法。这种映射机制通过反向传播调整潜在向量 zzz，使生成的图像与输入图像尽可能相似。映射过程通过残差损失和判别器损失来优化：
  • 残差损失：衡量生成图像与输入图像在像素级别的差异。
  • 判别器损失：衡量生成图像在判别器中与真实图像的特征差异。

4. 网络训练与优化：

• 网络的训练使用Adam优化器，生成器和判别器通过两人零和博弈（minimax game）共同训练。
• 判别器的目标是最大化区分真实图像和生成图像的概率，而生成器的目标是欺骗判别器，使其无法区分生成图像和真实图像。

任务描述：

假设我们有大量健康视网膜的光学相干断层扫描（OCT）图像，这些图像显示了正常视网膜的结构。我们的目标是使用 AnoGAN 来检测视网膜图像中是否存在异常，比如视网膜液体或病变区域。

步骤 1：模型训练

在训练阶段，AnoGAN 仅使用健康视网膜图像（无任何异常标记的数据）进行训练。

1. 生成器（Generator）训练：

   • 生成器从潜在空间中采样一个随机向量 zzz，通过生成器网络生成健康视网膜图像。
   • 生成器的目标是尽量生成逼真的健康图像，使判别器难以区分它们是真实的还是生成的。

2. 判别器（Discriminator）训练：

   • 判别器接受真实的健康视网膜图像和生成器生成的图像，学习如何区分这两者。
   • 判别器的目标是最大化识别真实图像和生成图像之间的差异，从而帮助生成器提高生成图像的质量。

3. 对抗训练（Adversarial Training）：

   • 生成器和判别器通过对抗训练，逐渐提高各自的能力。生成器生成的图像越来越逼真，判别器也不断学习如何更好地区分真实图像和伪造图像。

4. 健康图像的潜在表示学习：

   • 最终，生成器学会了从潜在空间中的点 zzz 生成符合健康图像分布的视网膜图像。
   • 判别器同时作为特征提取器，学习到了健康图像的特征表示。

步骤 2：测试阶段（异常检测）

在测试阶段，AnoGAN 被用于检测输入的视网膜图像是否含有异常（如液体或病变区域）。

1. 输入测试图像：

   • 假设现在我们有一张未标注的视网膜图像，这张图像可能是健康的，也可能包含异常（如视网膜液体）。
   • 我们的目标是判断这张图像是否与训练阶段的健康图像分布相符，即是否存在异常。

2. 映射到潜在空间：

   • 为了判断这张图像是否异常，AnoGAN 需要将输入的测试图像映射回训练时使用的潜在空间。
   • 具体来说，模型通过一个优化过程来找到潜在空间中的一个点 zzz，使得生成器生成的图像 G(z)G(z)G(z) 与输入的测试图像尽可能相似。
   • 这个过程通过残差损失（衡量生成图像与输入图像在像素上的差异）和判别器损失（衡量生成图像与健康图像分布的差异）来完成。

3. 计算异常评分：

   • 当找到最接近的潜在空间点 zzz 后，模型计算异常评分。异常评分由两部分组成：
     • 残差分数：生成图像与输入图像的像素差异。
     • 判别器分数：生成图像与健康图像在判别器特征空间中的差异。
   • 如果这个评分较低，意味着输入图像非常符合健康图像的分布，说明它可能是健康的；如果评分较高，说明图像与健康图像有较大差异，可能存在异常。

4. 异常检测结果：

   • 根据异常评分，模型可以判断输入图像是否异常。如果分数高，说明输入图像与生成的健康图像差异较大，模型会标记该图像为异常。
   • 此外，AnoGAN 还可以通过残差图（即输入图像与生成图像的差异）来定位异常区域，例如视网膜液体或病变的具体位置。

总结

        该论文展示了GAN在医学图像异常检测中的潜力，通过无监督学习方法，有效地检测已知和未知的异常结构，有助于推动标记发现和疾病诊断。