MTL-MAD: 다중 작업 학습 모델은 효과적인 의료 이상 탐지기로 활용될 수 있습니다.

MTL-MAD: Multi-Task Learners are Effective Medical Anomaly Detectors

의료 영상에서의 이상 탐지는 훈련 과정에서 이상 사례가 충분히 제공되지 않는 경우가 많아 어려운 과제입니다. 최근 연구에서는 단일의 사전 정의된 작업과 대규모 사전 훈련된 모델을 활용하여 최첨단 성능을 달성하는 방법이 제시되었습니다. 본 연구에서는 Mixture-of-Experts (MoE) 기반의 통합 모델을 사용하여 여러 개의 자기 지도 학습 및 유사 레이블링 작업을 처음부터 학습하는 방법을 제안합니다. 여러 개의 프록시 작업을 신중하게 통합함으로써, 통합 모델은 정상적인 해부학적 구조에 대한 강력한 표현을 효과적으로 학습하며, 이를 통해 다중 작업 학습 모델(MTL)이 추론 과정에서 각 작업을 얼마나 잘 수행하는지에 따라 이상 점수를 도출할 수 있습니다. 우리는 최근에 발표된 광범위한 의료 영상 모달리티를 포함하는 벤치마크인 BMAD에 대한 종합적인 실험을 수행했습니다. 실험 결과, 제안하는 다중 작업 학습 모델은 효과적인 이상 탐지기로, BMAD에서 기존의 최첨단 모델들을 능가하는 성능을 보였습니다. 또한, 제안하는 모델은 해석 가능한 이상 영역 지도를 생성하여, 의사가 더욱 정확한 진단을 내리는 데 도움을 줄 수 있습니다.

Anomaly detection in medical images is a challenging task, since anomalies are not typically available during training. Recent methods leverage a single pretext task coupled with a large-scale pre-trained model to reach state-of-the-art performance. Instead, we propose to learn multiple self-supervised and pseudo-labeling tasks from scratch, using a joint model based on Mixture-of-Experts (MoE). By carefully integrating multiple proxy tasks, the joint model effectively learns a robust representation of normal anatomical structures, so that anomaly scores can be derived based on how well the multi-task learner (MTL) solves each task during inference. We perform comprehensive experiments on BMAD, a recent benchmark that comprises a broad range of medical image modalities. The empirical results indicate that our multi-task learner is an effective anomaly detector, outperforming all state-of-the-art competitors on BMAD. Moreover, our model produces interpretable anomaly maps, potentially helping physicians in providing more accurate diagnoses.