[論文レビュー] Adversarial Pseudo Healthy Synthesis Needs Pathology Factorization

Tian Xia, Agisilaos Chartsias+1 more|arXiv (Cornell University)|Jan 10, 2019

Generative Adversarial Networks and Image Synthesis参考文献 12被引用数 12

ひとこと要約

本論文は、病理的画像を被騣固有の健全画像と病変マップに分解することで、擬似健全画像の合成に因子化された敵対的アプローチを提案する。ペアドまたはアンパオドデータで訓練し、新しい指標によるアイデンティティと健全性の制約を課すことにより、BraTSおよびISLESデータセットにおいて条件付きGANおよびCycleGANを上回り、アイデンティティ保持と病理的要因分解の両面で最先端の定量的結果を達成した。

ABSTRACT

Pseudo healthy synthesis, i.e. the creation of a subject-specific `healthy' image from a pathological one, could be helpful in tasks such as anomaly detection, understanding changes induced by pathology and disease or even as data augmentation. We treat this task as a factor decomposition problem: we aim to separate what appears to be healthy and where disease is (as a map). The two factors are then recombined (by a network) to reconstruct the input disease image. We train our models in an adversarial way using either paired or unpaired settings, where we pair disease images and maps (as segmentation masks) when available. We quantitatively evaluate the quality of pseudo healthy images. We show in a series of experiments, performed in ISLES and BraTS datasets, that our method is better than conditional GAN and CycleGAN, highlighting challenges in using adversarial methods in the image translation task of pseudo healthy image generation.

研究の動機と目的

• 医用画像合成における病理的および健全画像データのペアが不足している問題に対処すること。
• 解剖学的および病理的成分を明示的に因子化することで、擬似健全画像生成を改善すること。
• 画像-マスクのアノテーションがペアでなくても動作する訓練フレームワークを開発すること。
• 合成画像の健全性とアイデンティティを評価するための定量的指標を導入すること。
• 定性的および定量的ベンチマークにおいて、条件付きGANおよびCycleGANを上回る優れた性能を示すこと。

提案手法

• 本手法は、病理的画像を二つの要因に分解する：GANベースの合成器によって生成された擬似健全画像と、セグメンテーション器によって予測された二値病変マップ。
• 再構成ネットワークは、擬似健全画像と病変マップを組み合わせて元の病理的画像を再構成し、サイクル整合性を強制する。
• ペアド設定では、セグメンテーション器は真値病変マスクで訓練される。アンパオド設定では、健全から健全への変換によるアイデンティティを強制する修正されたサイクル整合性損失が用いられる。
• 本フレームワークは、現実的な画像合成を保証するための敵対的訓練と、アイデンティティを保持するためのサイクル整合性損失を用いる。
• 訓練と評価を導くために、アイデンティティと健全性の指標を損失成分として組み込む。
• 敵対的損失、サイクル整合性損失、再構成損失の組み合わせを用いて、エンドツーエンドでアーキテクチャを訓練する。

実験結果

リサーチクエスチョン

• RQ1 健康な解剖学的構造と疾患部位を明示的に因子化することで、病理的画像の合成が向上するか？
• RQ2 因子化は、標準的なGANと比較して、擬似健全画像生成の品質にどのように影響するか？
• RQ3 画像-マスクのペアがなくても、堅牢な擬似健全画像合成手法を訓練できるか？
• RQ4 健全性とアイデンティティに関する新規定量的指標は、視覚的品質および下流タスクのパフォーマンスとどの程度相関するか？
• RQ5 標準的なGANおよびCycleGANは、病理的スキャンから被験者固有の健全画像を生成する際に、どのような限界を示すか？

主な発見

• ペアド訓練を用いた本手法は、BraTSデータセットで最高のアイデンティティスコア（0.88 ± 0.03）と健全性スコア（0.99 ± 0.02）を達成し、条件付きGANおよびCycleGANを有意に上回った（p < 0.05）。
• アンパオド設定でも、本手法はISLESで0.94 ± 0.11、BraTSで0.98 ± 0.07の健全性スコアを達成し、両方ともベースラインを有意に上回った。
• ペアドバージョンの本手法は、ISLESで98%の健全性スコア（0.98 ± 0.04）を達成し、CycleGAN（0.85 ± 0.11）および条件付きGAN（0.86 ± 0.13）を上回った。
• 本手法は、解剖学的アイデンティティを保持しながら病変の正確な局在を実現する被験者固有の健全画像を生成する点で優れた視覚的品質を示した。
• 提案されたアイデンティティおよび健全性指標は、定性的な差を効果的に捉え、知覚的画像品質および再構成忠実度と相関した。
• アブレーションでは、病変因子化が情報損失を回避し、正確な再構成を可能にするために不可欠であることが示された。これは、擬似健全合成における1対多の課題を強調している。