Anomaly Detection - PatchCore

• 작업 기간 2021.12~2021.12 (1개월)

• 인력 구성(기여도) AI modeling 1명 (100%), 총 1명

• 프로젝트 개요 간 데이터를 이용해 암을 찾아내는 anomaly detection project (독성병리학). 기존 Hover-Net을 이용한 Cell-Based 기반 모델을 대체할 모델 연구, 현재 Unsupervised anomaly detection 분야에서 우수한 성능을 보인 PatchCore를 활용하여 접근.

• 평가 방식 학습 시 정상만을 학습하기 때문에 train(정상) / test(정상,비정상) 형식으로 데이터를 분리한다. 그 후 ROCAUC로 평가를 진행한다.

• 제한 사항

  • 지도 학습 불가.
  • 클래스 불균형 (class imbalance).
  • 모든 label 제공 불가.
  • recall 1.
  • 빠른 inference 속도.
  • 데이터 공개 불가.

---

데이터 설명

• 총 데이터 개수 100개, 정상 90개, 비정상 10개.

• 데이터 형식 : Whole Slide Image (WSI), .mrxs 파일 ( + metadata, .dat 파일 )

• 데이터 크기 : 평균 (77000, 185000, 4), bitmap 기준 대략 56GB

• Label 설명

  • 데이터 이미지에서 비정상 영역에 xml 파일로 boundary 및 병명이 기제 되어 있다.
  • 한 비정상 데이터당 label 개수 : 25개, 2030개 등으로 다양하다.

  Anomaly feature (데이터 상세)

---

결과

전처리는 Cell Based Model과 동일하게 진행했습니다.

실험은 MHIST Open Dataset으로 진행했습니다.

MHIST: A Minimalist Histopathology Image Analysis Dataset

Result

Mid level feature vs High level feature

---

문제점

• 고객 사 요구 사항 중 ‘빠른 inference 속도’과 ‘supervised 불가’는 달성 했지만 ‘recall 1’에 실패했다.
• 비록 정확도와 소요 시간 측면에서 Original PatchCore를 앞서기도 하지만 그럼에도 부족한 정확도이다.

문제점을 개선한 프로젝트

---

논문

한국인터넷정보학회 2022 춘계

내용을 Develop하여 해외 저널 도전 중.

---

📁Github

GitHub - essential2189/PatchCore

📄Reference

Towards Total Recall in Industrial Anomaly Detection