Unsupervised anomaly detection in 2D radiographs using generative models

Abstract

Presentamos un método basado en un modelo generativo para la detección de anomalías tales como prótesis, implantes, tornillos, cremalleras y metales en radiografías en 2D. El modelo generativo se entrena de forma no supervisada utilizando radiografías clínicas, así como datos simulados que no contienen anomalías. Nuestro enfoque emplea una pérdida de reconstrucción y una pérdida de consistencia del espacio latente que tienen la ventaja de identificar similitudes que obligan a reconstruir radiografías sin anomalías. Con la finalidad de detectar imágenes con anomalías, también se calcula una puntuación de anomalías utilizando la perdida de reconstrucción y la perdida de consistencia del espacio latente. Adicionalmente, se introduce la distancia Fr´echet como parte de la perdida de reconstrucción. Estas pérdidas se calculan entre una radiografía de entrada y la radiografía reconstruida por el modelo generativo propuesto. La validación se realizó utilizando radiografías clínicas de la pelvis. Se alcanzó un AUC de 0, 77 y 0, 83 con datos clínicos y sintéticos, respectivamente. Los resultados demostraron una buena precisión del método propuesto para detectar anomalías, así como la ventaja de utilizar datos sintéticos para la etapa de entrenamiento.