![実験
⽬的
・健康な網膜画像のみを⽤いて学習し，疾患検出におけるAnoGAN性能評価
定性的評価
・⽣成モデルがリアルな画像を⽣成できているか
健康，異常パターンを⽬視で確認
定量的評価
・異常検出精度の算出
残差スコア，識別精度，ROC曲線
⽐較⼿法
・aCAE(adversarial convolutional autoencoder)
・GANR AnoGANの異常スコアを先⾏研究に置き換えたもの[13]
[13] Yeh, R., Chen, C., Lim, T.Y., Hasegawa-Johnson, M., Do, M.N.: Semantic image
inpainting with perceptual and contextual losses. arXiv:1607.07539 (2016)](https://image.slidesharecdn.com/20181122dl-181122080649/85/Unsupervised-Anomaly-Detection-with-Generative-Adversarial-Networks-to-Guide-Marker-Discovery-9-320.jpg)
![データセット
・網膜の正常，異常データ
合計１００万枚
・64*64pxサイズ
・異常データ枚数は不明
網膜液，HRFなど10種類
実験
パラメータ
⽣成器，識別器
・畳み込み層：４
・フィルタサイズ：5*5
最適化⼿法
・Adam
細かい設定は[12]を参考
[12] Radford, A., Metz, L., Chintala, S.: Unsupervised representation learning with
deep convolutional generative adversarial networks. arXiv:1511.06434 (2015)
正常 異常](https://image.slidesharecdn.com/20181122dl-181122080649/85/Unsupervised-Anomaly-Detection-with-Generative-Adversarial-Networks-to-Guide-Marker-Discovery-10-320.jpg)
Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
- 1. DLゼミ 2018.11.22 発表者 M2 平間 友⼤ Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery Thomas Schlegl1,2 ⋆, Philipp Seeb¨ock1,2, Sebastian M. Waldstein2, Ursula Schmidt-Erfurth2, and Georg Langs1 1Computational Imaging Research Lab, Department of Biomedical Imaging and Image-guided Therapy, Medical University Vienna, Austria thomas.schlegl@meduniwien.ac.at 2Christian Doppler Laboratory for Ophthalmic Image Analysis, Department of Ophthalmology and Optometry, Medical University Vienna, Austria 論⽂URL：https://arxiv.org/abs/1703.05921 学会 ：IPMI 2017
- 2. 背景 CNN（Convolutional Neural Network）などの識別モデルでは， 異常検知タスクにおいて異常データが少ないと ・汎化性能が低い ・学習・検証ができない などの問題がある． GAN（Generative Adversarial Networks）などの⽣成モデル を⽤いた教師なし学習によって異常検知タスクを解決する．
- 5. 概要 「AnoGAN」 メインアイデア ・正常データのみ学習して表現できるようにした⽣成モデルは，正常データの 分布でしか写像できないのではないか？ 上記仮説を⽴証するため，以下の学習を⾏い，異常度を算出する A.正常画像の分布を探索（通常のGANによる⽣成器の作成） B.⼊⼒画像を潜在空間に逆写像し，元画像と同じになるzの探索 →Aで⽣成器が正常画像の分布に従って⽣成するならば， ⽣成器は⼊⼒された異常画像を写像した際，元画像と同じ画像にならない 入力 画像 Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery 逆写像
- 9. 実験 ⽬的 ・健康な網膜画像のみを⽤いて学習し，疾患検出におけるAnoGAN性能評価 定性的評価 ・⽣成モデルがリアルな画像を⽣成できているか 健康，異常パターンを⽬視で確認 定量的評価 ・異常検出精度の算出 残差スコア，識別精度，ROC曲線 ⽐較⼿法 ・aCAE(adversarial convolutional autoencoder) ・GANR AnoGANの異常スコアを先⾏研究に置き換えたもの[13] [13] Yeh, R., Chen, C., Lim, T.Y., Hasegawa-Johnson, M., Do, M.N.: Semantic image inpainting with perceptual and contextual losses. arXiv:1607.07539 (2016)
- 10. データセット ・網膜の正常，異常データ 合計１００万枚 ・64*64pxサイズ ・異常データ枚数は不明 網膜液，HRFなど10種類 実験 パラメータ ⽣成器，識別器 ・畳み込み層：４ ・フィルタサイズ：5*5 最適化⼿法 ・Adam 細かい設定は[12]を参考 [12] Radford, A., Metz, L., Chintala, S.: Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv:1511.06434 (2015) 正常 異常
- 11. 実験結果 ⼊⼒画像 ⽣成画像 残差オー バーレイ 異常部分 の領域 学習画像 テスト画像（正常） テスト画像（異常） ※領域ラベルがついているのは網膜液(retinal fluid)のみ．⼀番右列はHRF(hyperreflective foci) ・リアルな正常画像を⽣成できている ・異常画像はうまく⽣成できていない → 仮説の⽴証 定性的評価
- 15. AnoGANをベースにした論⽂がICLR2018に２本投稿されていた ・論⽂名：Anomaly Detection with Generative Adversarial Networks for Multivariate Time Series ・URL：https://arxiv.org/abs/1809.04758 ・概要 ー⼊⼒画像とより近似した画像を⽣成する ため，潜在空間を探索時に⽣成器⾃体も学習 ー異常スコアの⾒直し
- 16. AnoGANをベースにした論⽂がICLR2018に２本投稿されていた ・論⽂名：Efficient GAN-Based Anomaly Detection ・URL:https://arxiv.org/abs/1802.06222 ・概要 潜在空間への逆写像も同時に学習 計算時間を⼤幅に短縮