[論文レビュー] Adversarial Augmentation for Enhancing Classification of Mammography Images

Lukáš Jendele, Ondrej Skopek+2 more|arXiv (Cornell University)|Feb 20, 2019

AI in cancer detection被引用数 5

ひとこと要約

本稿では、乳がん検出のためのマンモグラフィ画像の二値分類を向上させるために、CycleGANを用いた敵対的データ拡張を提案する。本手法により、現実的で合成されたがん性または健康な特徴を生成し、トレーニングデータの多様性とバランスを向上させることで、限られた、かつ不均衡なデータセットにおいて分類器の性能が向上する。

ABSTRACT

Supervised deep learning relies on the assumption that enough training data is available, which presents a problem for its application to several fields, like medical imaging. On the example of a binary image classification task (breast cancer recognition), we show that pretraining a generative model for meaningful image augmentation helps enhance the performance of the resulting classifier. By augmenting the data, performance on downstream classification tasks could be improved even with a relatively small training set. We show that this "adversarial augmentation" yields promising results compared to classical image augmentation on the example of breast cancer classification.

研究の動機と目的

• 医療画像、特にマンモグラフィにおいて、陽性（がん性）例が少ないというデータ不足とクラスの不均衡を解消すること。
• 臨床データセットにおける限られた、ノイズが多く偏ったトレーニングデータの課題を、合成されたが現実的である画像変化の生成によって克服すること。
• 生成的データ拡張を用いて、小規模で不均衡なマンモグラフィデータセットにおけるディープラーニング分類器の性能を向上させること。
• 敵対的拡張によるCycleGANが、医療画像分類において従来のデータ拡張技術よりも優れていることを示すこと。
• 生成的モデルがクラス固有の画像変換を学習することで、医療画像データセットに意味のある拡張をもたらすという概念的実証を提供すること。

提案手法

• 健康なマンモグラフィ画像とがん性画像の間で、ペアでない画像間変換を実行するCycleGANモデルを訓練し、双方向変換を可能にする。
• 2つのジェネレータ・ディスクラミネータペアを用いる：1つは健康画像からがん性画像への変換、もう1つはがん性画像から健康画像への変換であり、構造的整合性を保つためにサイクル整合性損失を適用する。
• 訓練済みのGANを用いて、現実のがん性または健康な特徴を模倣する合成画像を生成し、トレーニングセットを拡張する。
• 実画像とGANで生成された画像を組み合わせた拡張データセット上で、Faster R-CNN分類器をファインチューニングし、検出性能を向上させる。
• 異なる患者集団からのホールドアウトテストセットを用いて、標準的な指標（AUC-ROC、F1スコア）で分類器の性能を評価する。
• GANで拡張されたデータで訓練された分類器の性能を、実データで訓練されたものおよび従来技術（例：回転、反転）によるデータ拡張で訓練されたものと比較する。

実験結果

リサーチクエスチョン

• RQ1 敵対的データ拡張としてCycleGANを用いることで、小規模で不均衡なマンモグラフィデータセットにおけるディープラーニング分類器の性能向上が図れるか？
• RQ2 GANで生成されたデータは、従来のデータ拡張と比較して、未知の患者集団への一般化性能を向上させるか？
• RQ3 トレーニング中にGANで生成された画像にさらされた場合、分類器はどれほど頑健であるか。また、実画像と合成画像を区別する能力を学ぶか？
• RQ4 ノイズが多く、現実の医療画像環境下で、GANで生成された画像の品質と現実性が、下流の分類性能にどのように影響するか？
• RQ5 ペアデータが存在しない状況下でも、生成モデルは意味的でクラス固有のマンモグラム特徴を学習できるか？

主な発見

• GANで拡張された分類器は、INbreastテストセットで平均82.04% ± 0.57のAUC-ROCを達成し、ベースライン手法よりもわずかだが明確な改善を示した。
• GANで拡張されたモデルのF1スコアは63.81% ± 2.04に達し、データの不均衡にもかかわらず、テストセットにおける検出性能の向上が示された。
• 元のデータセットにおける分類器の性能はもともと高く（AUC-ROC: 79.05% ± 1.94）、GAN拡張によって性能が著しく低下しなかったため、合成データに対して頑健であることが示された。
• 同じGANを拡張に使用した場合、分類器はGANで生成された画像にあまり騙されにくく、一般化性能が向上し、過学習が減少した。
• 有望な結果が得られたが、結果のばらつきが大きかったため、全体的な改善は明確ではなかった。これは、トレーニングデータのノイズやGAN出力のアーチファクトに起因する可能性がある。
• 本研究では、実データが不足する状況下で、CycleGANを用いた敵対的拡張が医療画像分類に実用的であることが確認されたが、一貫した向上を得るためにはさらなる最適化が必要である。