[論文レビュー] Achieving state-of-the-art performance in the Medical Out-of-Distribution (MOOD) challenge using plausible synthetic anomalies

Sergio Naval Marimont, Giacomo Tarroni|arXiv (Cornell University)|Aug 2, 2023

Anomaly Detection Techniques and ApplicationsComputer Science被引用数 3

ひとこと要約

本論文は、ランダムな形状とエッジスムージングを用いて、より現実的で挑戦的な異常を生成することで、医療画像における非教師あり異常検出を改善する新規な手法を提案する。3D U-Netをベースとし、自己教師あり学習とモデルアンサンブルを組み合わせた本手法は、腹部CTおよび脳MRIを対象としたMICCAI 2022 MOODチャレンジにおいて、サンプル単位およびピクセル単位の両タスクで最先端の性能を達成した。

ABSTRACT

The detection and localization of anomalies is one important medical image analysis task. Most commonly, Computer Vision anomaly detection approaches rely on manual annotations that are both time consuming and expensive to obtain. Unsupervised anomaly detection, or Out-of-Distribution detection, aims at identifying anomalous samples relying only on unannotated samples considered normal. In this study we present a new unsupervised anomaly detection method. Our method builds upon the self-supervised strategy consisting on training a segmentation network to identify local synthetic anomalies. Our contributions improve the synthetic anomaly generation process, making synthetic anomalies more heterogeneous and challenging by 1) using complex random shapes and 2) smoothing the edges of synthetic anomalies so networks cannot rely on the high gradient between image and synthetic anomalies. In our implementation we adopted standard practices in 3D medical image segmentation, including 3D U-Net architecture, patch-wise training and model ensembling. Our method was evaluated using a validation set with different types of synthetic anomalies. Our experiments show that our method improved substantially the baseline method performance. Additionally, we evaluated our method by participating in the Medical Out-of-Distribution (MOOD) Challenge held at MICCAI in 2022 and achieved first position in both sample-wise and pixel-wise tasks. Our experiments and results in the latest MOOD challenge show that our simple yet effective approach can substantially improve the performance of Out-of-Distribution detection techniques which rely on synthetic anomalies.

研究の動機と目的

• 高価な手動アノテーションに依存せずに、非教師あり医療画像異常検出の課題に対処すること。
• 合成異常における現実性と多様性を向上させ、OoD検出性能を向上させること。
• 従来の手法が実画像と合成異常の間に高い勾配を持つエッジに依存するという限界を克服すること。
• 多様な医療画像モodalitiesにおける病理的および非病理的異常を検出する、堅牢で汎用性の高い手法を開発すること。
• 正常データのみを用いて、MICCAI 2022 医療画像外分布（MOOD）チャレンジで最高のパフォーマンスを達成すること。

提案手法

• 標準的な直方体ではなく、複雑なランダム形状のパッチを用いて合成異常を生成することで多様性を向上させること。
• 外傷パッチと元の画像との間にエッジスムージングを適用し、モデルが悪用できる可能性のある高勾配アーティファクトを低減すること。
• 自己教師あり学習を用いて3D U-Netセグメンテーションネットワークを訓練し、合成異常の局所化を実現すること。
• パッチ単位での学習とスライディングウインドウ推論を活用し、3Dボリュームにおける局所化精度を向上させること。
• モデルアンサンブルを用いて、さまざまな異常タイプにわたる堅牢性と一般化性能を向上させること。
• データオーグメンテーションや標準損失関数を含む、標準的な3D医療画像セグメンテーション手法を活用し、パフォーマンスを強化すること。

Figure 1: Texture (foreign patch) and shape components (mask) of the synthetic anomaly generation process.

実験結果

リサーチクエスチョン

• RQ1 ランダム形状の合成異常を用いることで、医療画像における非教師あり異常検出の一般化性能と現実性が向上するか？
• RQ2 合成異常と背景画像との間にエッジスムージングを適用することで、より堅牢で一般化可能なOoD検出モデルが得られるか？
• RQ3 改善された合成異常生成を伴うシンプルな自己教師ありアプローチが、実世界のチャレンジにおいて既存の最先端手法を上回る性能を発揮できるか？
• RQ4 本手法の性能は、腹部CTや脳MRIのような異なる画像モダリティ間でどのように変化するか？
• RQ5 あるモダリティで最適化したハイパーパrameterを他のモダリティに転送できる範囲はどの程度で、クロスモダリティ展開にどのような意味を持つのか？

主な発見

• 提案手法は、MICCAI 2022 MOODチャレンジにおいて、サンプル単位およびピクセル単位の両方の異常検出タスクで第1位を達成した。
• 腹部CTデータセットでは、サンプル単位およびピクセル単位の両評価で第1位を記録し、脳MRIのピクセル単位タスクでは第4位であった。
• 両モダリティで優れたパフォーマンスを発揮したため、MOOD 2022チャレンジ全体で総合第1位を獲得した。
• 合成バリデーションセットを用いた実験では、標準的な直方体異常を用いたベースライン手法よりも顕著な性能向上が確認された。
• ピクセル単位タスクにおける腹部CTと脳MRIのパフォーマンス格差は、モダリティ固有のハイパーパramータ最適化が不可欠であることを示唆している。
• 本手法は、レントゲン科医師が異常や画像アーティファクトを検出する支援として、リアルタイムかつコスト効率の高いツールとしての臨床的展開の可能性を示している。

Figure 2: Examples of augmented shapes for each category used in the anomaly generation process. Note that these are axial 2D slices of the actual 3D shapes used in our method.