Abstract: Unsupervised Anomaly Localization Using Variational Auto-Encoders

An assumption-free automatic check of medical images for potentially overseen anomalies would be a valuable assistance for a radiologist. Deep learning and especially Variational Auto-Encoders (VAEs) have shown great potential in the unsupervised learning of data distributions. In principle, this allows for such a check and even the localization of parts in the image that are most suspicious.

Authors and Affiliations

1. German Cancer Research Center (DKFZ), Heidelberg, Deutschland

   David Zimmerer, Fabian Isensee, Jens Petersen, Simon Kohl & Klaus Maier-Hein

Corresponding author

Correspondence to David Zimmerer .

Editors and Affiliations

1. Institut für Medizinische Informatik, Charité - Universitätsmedizin Berlin, Berlin, Germany

   Thomas Tolxdorff

2. Peter L. Reichertz Institut für Medizinische Informatik, Technische Universität Braunschweig, Braunschweig, Germany

   Thomas M. Deserno

3. Institut für Medizinische Informatik, Universität zu Lübeck, Lübeck, Germany

   Heinz Handels

4. Lehrstuhl für Mustererkennung, Friedrich-Alexander-Universität, Erlangen, Germany

   Andreas Maier

5. Medical Image Computing, E230, Deutsches Krebsforschungszentrum (DKFZ), Heidelberg, Germany

   Klaus H. Maier-Hein

6. Fakultät für Informatik und Mathematik, Ostbayerische Technische Hochschule Regensburg, Regensburg, Germany

   Christoph Palm

Reprints and permissions

© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

Policies and ethics