Die Verfahren aus dem Bereich des Deep Learnings haben sich in den letzten Jahren  für die automatische Bildanalyse und -verarbeitung etabliert, vor allem in den Bereichen der Segmentierung, Detektion  und Klassifikation.
Allerdings ist ein wesentlicher Nachteil solcher Methoden deren Bedarf großer Mengen von annotierten Trainingsdaten. Für das Erlernen der  automatischen Segmentierung von Hirntumoren in MRTs, zum Beispiel, benötigt ein Deep Learning Algorithmus Hunderte und Tausende an Hirn-MRTs mit Expertensegmentierungen vom Tumorgewebe. Solche Datensätze sind selten verfügbar im medizinischen Kontext, da die Datenannotation kompliziert und zeitintensiv ist.

In diesem Projekt liegt der Fokus auf der unüberwachten Detektion von Pathologien und Anomalien in medizinischen Bildern, d.h. dass keine Expertensegmentierungen für das Training benötigt werden. Die Hauptidee ist die gesunde Variabilität der Daten einer Domäne zu erlernen, so dass Pathologien als Abweichung der gelernten Norm erkannt werden können. Für das bestehende Problem werden tiefe generative Modelle wie variationelle Autoencoder und GANs gewählt, da sie in der Lage sind komplexe Zusammenhänge und Verteilungen der Daten zu erlernen.