Abnormality detection in medical images is a one-class classification problem for which existing methods typically involve variants of kernel principal component analysis or one-class support vector machines. However, existing methods rely on highly-curated training sets with full supervision, often using heuristics for model fitting or ignore the variances of the data within principal subspaces. In contrast, we propose novel methods that can work with imperfectly curated datasets using robust statistical learning, by extending the multivariate generalized-Gaussian distribution to a reproducing kernel Hilbert space (RKHS) and employing it within a mixture model. We propose a novel semi-supervised extension of our learning scheme, showing that a small amount of expert feedback through high-quality labeled data of the outlier class can boost performance. We propose expectation maximization for our semi-supervised robust mixture-model learning in RKHS, using solely the Gram matrix and without the explicit lifting map. Our methods incorporate optimal component means, principal directions, and variances for abnormality detection. Results on four large public datasets on retinopathy and cancer, compared against a variety of contemporary methods, show that our method gives benefits over the state of the art in one-class classification for abnormality detection.

中文翻译：

---

RKHS中的半监督鲁棒混合模型用于医学图像异常检测

医学图像中的异常检测是一类分类问题，针对其现有方法通常涉及内核主成分分析或一类支持向量机的变体。但是，现有的方法依赖于高度监督的训练集并具有完全的监督，经常使用启发式方法进行模型拟合或忽略主要子空间中数据的方差。相反，通过将多元广义高斯分布扩展到可再生内核希尔伯特空间（RKHS）并在混合模型中使用它，我们提出了可以使用鲁棒的统计学习处理不完美策展的数据集的新颖方法。我们提出了一种新颖的半监督扩展我们的学习方案，说明通过高质量的离群值分类数据提供少量专家反馈可以提高性能。我们建议仅使用Gram矩阵而不使用显式提升图的RKHS中的半监督鲁棒混合模型学习的期望最大化。我们的方法结合了最优的成分均值，主要方向以及用于异常检测的方差。与多种现代方法相比，关于视网膜病和癌症的四个大型公共数据集上的结果表明，在用于异常检测的一类分类中，我们的方法比现有技术更具优势。主要方向和异常检测的方差。与多种现代方法相比，四个关于视网膜病变和癌症的大型公共数据集上的结果表明，在用于异常检测的一类分类中，我们的方法比现有技术更具优势。主要方向和异常检测的方差。与多种现代方法相比，四个关于视网膜病变和癌症的大型公共数据集上的结果表明，在用于异常检测的一类分类中，我们的方法比现有技术更具优势。