[論文レビュー] AFSC: Adaptive Fourier Space Compression for Anomaly Detection

Haote Xu, Yunlong Zhang+4 more|ArXiv.org|Apr 17, 2022

AI in cancer detection被引用数 4

ひとこと要約

本稿では、医用画像の周波数ドメインにおける健全な組織特徴を抽出することで、教師なし異常検出を向上させる、新しいアダプティブ・フォーリエ・スペース圧縮モジュールAFSCを提案する。フォーリエ空間におけるマグニチュードおよび位相スペクトルを同時に圧縮することで、偽健全画像の生成が改善され、BraTSおよびMS-SEGデータセットにおいて、AE や DRAEM といった既存手法に統合された場合に、最先端の性能を達成する。

ABSTRACT

Anomaly Detection (AD) on medical images enables a model to recognize any type of anomaly pattern without lesion-specific supervised learning. Data augmentation based methods construct pseudo-healthy images by "pasting" fake lesions on real healthy ones, and a network is trained to predict healthy images in a supervised manner. The lesion can be found by difference between the unhealthy input and pseudo-healthy output. However, using only manually designed fake lesions fail to approximate to irregular real lesions, hence limiting the model generalization. We assume by exploring the intrinsic data property within images, we can distinguish previously unseen lesions from healthy regions in an unhealthy image. In this study, we propose an Adaptive Fourier Space Compression (AFSC) module to distill healthy feature for AD. The compression of both magnitude and phase in frequency domain addresses the hyper intensity and diverse position of lesions. Experimental results on the BraTS and MS-SEG datasets demonstrate an AFSC baseline is able to produce promising detection results, and an AFSC module can be effectively embedded into existing AD methods.

研究の動機と目的

• 既存の偽健全画像生成手法の一般化性能の限界を解決する。これらの手法は、手動で設計されたか、ランダムに生成された病変に依存している。
• 実際の病変と分布の不一致を引き起こす人工的病変の一般化性能の低さを克服する。
• 周波数ドメインにおけるデータの内在的性質を活用し、病変に依存しない健全な組織表現を抽出することで、異常検出の性能を向上させる。
• 既存の異常検出フレームワークのアーキテクチャを再設計することなく、柔軟かつプラグイン形式で統合可能なモジュールを開発する。
• フォーリエ空間の成分（マグニチュードおよび位相）のアダプティブ圧縮が、より解剖学的に正確な偽健全再構成と優れた異常局在化をもたらすことを示す。

提案手法

• 入力画像のフーリエ変換に作用するアダプティブ・フォーリエ・スペース圧縮モジュール（AFSCm）を提案し、マグニチュードおよび位相スペクトルの両方を対象とする。
• 健全な組織表現に必要な周波数成分のみを保持するスパarsityに基づく圧縮を適用し、再構成時に病変の干渉を低減する。
• 固定またはランダムなマスクではなく、モンテカルロサンプルにインspiredした微分可能で学習可能なマスク戦略を用いて、重要な周波数成分をアダプティブに同定する。
• AE や DRAEM などの既存の異常検出フレームワークに、プラグインモジュールとして AFSCm を統合し、偽健全画像生成の性能を向上させる。
• 入力画像と生成された偽健全画像の間の再構成損失を用いて、エンド・ツー・エンドでモデルを訓練し、AFSCm モジュールは周波数ドメインのスパarsity最適化を目的とする。
• GAN風の設定でディスクリミネータを用い、実際の健全画像と生成された偽健全出力を区別させることで、特徴の質と一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 フォーリエドメインにおけるマグニチュードおよび位相成分の両方の圧縮は、異常検出における偽健全画像生成の品質と一般化性能を向上させるか？
• RQ2 フォーリエ空間におけるアダプティブで学習可能な圧縮マスクは、固定またはランダムなマスクを上回るか？特に健全な組織構造の保持において。
• RQ3 提案されたAFSCモジュールは、多様な既存の異常検出フレームワークに効果的に統合可能か？性能向上が見られるか？
• RQ4 AnoGAN や DRAEM、AE といった最先端手法と比較して、AFSCは異常局在化の正確性と頑健性において優れているか？
• RQ5 周波数ドメインの圧縮は、不規則または分布外の病変による再構成時の干渉をどの程度低減するか？

主な発見

• AFSCはBraTS2017データセットで最先端の性能を達成し、DRAEM や AE を含むすべてのベースラインを上回った。DICE（0.814 ± 0.006）および APpix（0.143 ± 0.003）の指標で優れた結果を示した。
• DRAEM に統合した DRAEM_G w/AFSCm のバージョンは、BraTS2017で最高の性能を示し、DICEスコアが 0.889 ± 0.018、APpix が 0.187 ± 0.009 を達成した。
• AE w/AFSCm のバージョンは、BraTS2017でヴァーチャルAEを上回った。これは、入力が健全画像であってもAFSCmが性能向上に寄与することを示している。
• より挑戦的な MS-SEG2015 データセットでは、AFSCが最高の DICE スコア（0.769 ± 0.016）を記録し、微小な病変に対しても頑健であることを確認した。
• AFSCm を同じスパarsityを持つランダムマスクに置き換えた場合、すべての指標で性能が低下した。これは、アダプティブ圧縮機構の識別的価値を裏付けている。
• 可視化結果から、AFSCが生成する偽健全画像は、解剖学的に正確で、病変領域がよりよく健全組織として再構成されていることが確認された。