[論文レビュー] Analyzing Data Augmentation for Medical Images: A Case Study in Ultrasound Images

Adam Tupper, Christian Gagné|arXiv (Cornell University)|Mar 14, 2024

Medical Imaging Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本研究では、超音波画像における乳房病変分類のためのデータ拡張を厳密に評価し、特にTrivialAugmentを用いた多様な拡張法からランダムにサンプリングすることで、ベースライン手法に比べて最大10.4%の精度向上を達成している。このアプローチは、固定順序の拡張法や個々の拡張法を常に上回り、幾何変換が光度変換よりも効果的であることが判明した。

ABSTRACT

Data augmentation is one of the most effective techniques to improve the generalization performance of deep neural networks. Yet, despite often facing limited data availability in medical image analysis, it is frequently underutilized. This appears to be due to a gap in our collective understanding of the efficacy of different augmentation techniques across medical imaging tasks and modalities. One domain where this is especially true is breast ultrasound images. This work addresses this issue by analyzing the effectiveness of different augmentation techniques for the classification of breast lesions in ultrasound images. We assess the generalizability of our findings across several datasets, demonstrate that certain augmentations are far more effective than others, and show that their usage leads to significant performance gains.

研究の動機と目的

• 医用画像におけるデータ拡張の未利用状態を是正すること、特に乳房超音波画像分類において。
• 異なるデータセットやタスクにおいて、特定の拡張手法が他の手法よりも効果的である理由を調査すること。
• 固定順序の拡張法か、多様なセットからランダムにサンプリングする方法か、どちらがより優れた性能を発揮するかを特定すること。
• 深層学習を用いた乳房超音波画像診断における標準的で実証的妥当性のあるデータ拡張戦略を提供すること。

提案手法

• 本研究では、統計的厳密性を確保するため、$5\times2$交差検証フレームワークにペアt検定とHolm-Bonferroni補正を適用し、拡張戦略の比較を実施した。
• 個々の拡張法の有効性は、一般的に用いられる設定を対象に片側t検定を用いて評価し、顕著な性能向上を焦点とした。
• ペアド拡張の性能は、2つの変換の順序付き組み合わせをテストすることで評価し、相互作用効果と累積的利益を分析した。
• ランダムサンプリング戦略は、拡張法プールのサイズを増加させ、各画像に適用する操作回数をTrivialAugmentを用いて増加させることで評価した。
• 分析では、3つの異なるタスク（BUSI病変、BUS-BRA病変、BUS-BRA BI-RADS分類）における性能を比較した。
• 光度変換と幾何変換を別々に評価し、組み合わせることで、モデル性能への相対的寄与度を評価した。

Figure 1 : The change in balanced validation accuracy for each data augmentation across the three tasks.

実験結果

リサーチクエスチョン

• RQ1 異なるデータセットにおいて、乳房超音波画像の病変分類性能を顕著に向上させる個々のデータ拡張技法は何か？
• RQ2 固定順序の拡張法と、多様な拡張法のセットからランダムにサンプリングする方法では、性能にどのような差が生じるか？
• RQ3 個々の拡張法の有効性は、タスク（例：病変分類対BI-RADS分類）やデータセットによって変化するか？
• RQ4 光度変換と幾何変換を組み合わせることで、モデルの汎化性能と精度にどのような影響を与えるか？
• RQ5 個々の拡張法が弱くても、多様な拡張法のプールからランダムにサンプリングする戦略が、常に決定的順序の手法を上回る性能を発揮できるか？

主な発見

• TrivialAugmentを用いて多様な拡張法のプールからランダムにサンプリングした結果、BUS-BRA BI-RADS分類タスクで最大10.4%の精度向上が達成され、観察された最高の向上率であった。
• 複数のタスクで顕著な性能向上を示した唯一の個々の拡張法はランダム回転であり、これはタスクおよびデータセットに依存した有効性を示している。
• 固定順序の拡張法は限定的な利益しかもたらさず、強力な変換を組み合わせても顕著な向上が得られないことが多かった。
• 幾何変換を単独で使用した場合、光度変換を上回る性能を示したが、両者を組み合わせた場合が全体として最も優れた性能を発揮した。
• 拡張法プールのサイズと適用する操作回数を増加させることで、性能向上が顕著に増加した。これは、個々の強度よりも多様性と繰り返しの重要性がより高いことを示している。
• 多様な拡張法のセットからランダムにサンプリングする戦略は、個々の拡張法が無力であっても、常に他のすべての手法を上回る性能を発揮した。

Figure 2 : Change in balanced validation accuracy using two sequential operations compared to using Operation 1 alone.