[論文レビュー] Abnormal Chest X-ray Identification With Generative Adversarial One-Class Classifier

Yuxing Tang, Youbao Tang+3 more|arXiv (Cornell University)|Mar 5, 2019

COVID-19 diagnosis using AI参考文献 11被引用数 8

ひとこと要約

本論文は、学習に正常画像のみを用いることで、異常胸部レントゲン画像を同定する生成的対抗的ワンクラス学習フレームワークを提案する。U-Netオートエンコーダ、ディスクラミネーター、および第二のエンコーダを対抗的学習スキームで統合することで、正常X線は良好に再構築されるが、異常X線は劣悪に再構築される。NIH胸部X線データセットにおいて、最小限のアノテーション作業でAUC 0.841を達成した。

ABSTRACT

Being one of the most common diagnostic imaging tests, chest radiography requires timely reporting of potential findings in the images. In this paper, we propose an end-to-end architecture for abnormal chest X-ray identification using generative adversarial one-class learning. Unlike previous approaches, our method takes only normal chest X-ray images as input. The architecture is composed of three deep neural networks, each of which learned by competing while collaborating among them to model the underlying content structure of the normal chest X-rays. Given a chest X-ray image in the testing phase, if it is normal, the learned architecture can well model and reconstruct the content; if it is abnormal, since the content is unseen in the training phase, the model would perform poorly in its reconstruction. It thus enables distinguishing abnormal chest X-rays from normal ones. Quantitative and qualitative experiments demonstrate the effectiveness and efficiency of our approach, where an AUC of 0.841 is achieved on the challenging NIH Chest X-ray dataset in a one-class learning setting, with the potential in reducing the workload for radiologists.

研究の動機と目的

• 放射線科医の作業負荷を軽減するため、異常胸部X線画像の検出を自動化すること。
• アノテート済みの異常X線画像が限られているという課題に対処するため、正常画像のみで学習すること。
• 再構築誤差に基づいて異常を区別するワンクラス学習手法を開発すること。
• 多様な異常ラベルを必要とせず、対抗的学習を用いて医療画像における異常検出を改善すること。

提案手法

• フレームワークは、学習された潜在空間から入力X線画像を再構築する生成器として、U-Netに類似したオートエンコーダを用いる。
• 畳み込みニューラルネットワークで構成されるディスクラミネーターを、本物の正常X線と再構築画像を区別するように学習させ、対抗的学習を可能にする。
• 再構築画像からの特徴抽出を改善するため、第二のエンコーダネットワークを導入する。
• 生成器が再構築誤差を最小化し、ディスクラミネーターが偽の再構築を検出する能力を最大化するミニマックス目的関数を用いて、エンドツーエンドでモデルを学習する。
• 再構築損失に基づいて異常スコアを計算し、スコアが高いほど異常であると判断する。
• モデルは正常CXRsのみで学習され、学習中に異常例のアノテート済みデータは一切不要である。

実験結果

リサーチクエスチョン

• RQ1 正常トレーニングデータのみを用いて、ワンクラス学習モデルが効果的に異常胸部X線画像を検出できるか？
• RQ2 生成器とディスクラミネーター間の対抗的学習が、医療画像における再構築忠実度と異常検出性能をどのように向上させるか？
• RQ3 追加のエンコーダネットワークが、異常を検出する能力を向上させるにあたり、果たす貢献は何か？
• RQ4 本手法は、実世界の挑戦的で現実的なCXRsデータに対して、ベースラインのオートエンコーダと比較してAUC性能でどのように優れているか？

主な発見

• 提案手法は、14の主要所見を含む正常対異常CXRs分類において、NIH胸部X線データセットでAUC 0.841を達成した。
• 正常対肺浸潤のサブセットでは、AUC 0.802を達成し、ベースラインのU-Netオートエンコーダ（AUC 0.627）を顕著に上回った。
• 除去実験の結果、ディスクラミネーター、第二のエンコーダ、および対抗的学習の各要素が性能向上に寄与していることが確認された。
• 定性的な結果から、モデルは正常X線を高い忠実度で再構築していたが、異常画像はぼやけたおよび歪んだ解剖学的構造を示して再構築されており、劣悪な再構築が確認された。
• 1枚あたりの推論時間の平均は0.48 msであり、臨床現場への導入に適した高い効率性を示した。
• 異常データのアノテーションは一切不要であり、アノテーション負荷を軽減しながらも、強力な検出性能を維持した。