[論文レビュー] Anomaly Detection for Skin Disease Images Using Variational Autoencoder

Yuchen Lu, Peng Xu|PolyPublie (École Polytechnique de Montréal)|Jul 3, 2018

Cutaneous Melanoma Detection and Management参考文献 13被引用数 54

ひとこと要約

本論文は皮膚病画像の教師なし異常検知に対して Variational Autoencoder (VAE) を適用し、ISIC2018 Task 3 で黒色腫と AKIEC に関する顕著な AUC を達成します。

ABSTRACT

In this paper, we demonstrate the potential of applying Variational Autoencoder (VAE) [10] for anomaly detection in skin disease images. VAE is a class of deep generative models which is trained by maximizing the evidence lower bound of data distribution [10]. When trained on only normal data, the resulting model is able to perform efficient inference and to determine if a test image is normal or not. We perform experiments on ISIC2018 Challenge Disease Classification dataset (Task 3) and compare different methods to use VAE to detect anomaly. The model is able to detect all diseases with 0.779 AUCROC. If we focus on specific diseases, the model is able to detect melanoma with 0.864 AUCROC and detect actinic keratosis with 0.872 AUCROC, even if it only sees the images of nevus. To the best of our knowledge, this is the first applied work of deep generative models for anomaly detection in dermatology.

研究の動機と目的

• 深層生成モデル、特に VAE が皮膚科の異常検知に潜在能力を示すことを実証する。
• ラベル付き異常がなく正常な皮膚画像のみで学習し、異常な病変を検出する。
• ISIC2018 Task 3 データセット上で複数のVAEベースの異常スコアを評価する。

提案手法

• DCGAN に触発された CNN ベースのエンコーダ/デコーダアーキテクチャを用いたエンドツーエンドの Variational Autoencoder をモデリングする。
• 再構成項と KL項のバランスを取る小さな beta を用いた beta-VAE 目的関数に対応する損失を最適化する。
• VAE ベースの再構成尤度と KL 発散に基づく異常スコアを算出し、IWAE 変種と比較する。
• 皮膚科データセット（ISIC2018 Task 3）上で複数の異常スコアリング戦略を評価する。
• 前処理として 128x128 画像を使用し、ADAM 最適化を用い、潜在次元は 300。

実験結果

リサーチクエスチョン

• RQ1 正常な皮膚画像のみで学習した VAE は多様な皮膚病を異常として検出できるか。
• RQ2 どの異常スコアリング戦略（再構成、KL、IWAE 変種）が正常画像と異常画像の識別性を最も高くするか。
• RQ3 nevus のみを用いて学習した場合、VAE ベースの異常検知は黒色腫や日光性角化症に対してどう機能するか。
• RQ4 このタスクにおける単純な事前分布を用いることの実用的な制約は何か。

主な発見

AKIEC	BCC	BKL	DF	MEL	VASC	All Disease
0.872	0.803	0.792	0.682	0.862	0.662	0.779
0.871	0.802	0.793	0.678	0.864	0.657	0.777
0.441	0.454	0.472	0.398	0.690	0.487	0.491
0.406	0.431	0.441	0.383	0.677	0.477	0.469
0.864	0.795	0.783	0.671	0.861	0.651	0.771
0.864	0.795	0.784	0.670	0.861	0.648	0.771

• 再構成ベースのスコア（s_vae^reconst）で最も良い総合 AUC を得て 0.779（全病変）、AKIEC で最大 0.872、MEL で個別に評価した場合は 0.864。
• IWAE ベースのスコアはこの設定で標準的な VAE をわずかに上回る程度で、AUC に大きな差は見られない。
• KL ベースのスコアは、選択した beta 重み付け（beta = 0.01）の下では異常検知の識別性が低い。
• nevus（正常）画像のみで学習しても、黒色腫や AKIEC を高い AUC で検出できる。
• 本研究は、深層生成モデルを皮膚科の異常検知に無監督アプローチとして適用する実現可能性を示す。