[論文レビュー] AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection

Mehdi Astaraki, Francesca De Benetti+6 more|arXiv (Cornell University)|May 21, 2023

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

AutoPaintは、健康な解剖的構造を再構築し、腫瘍を学習された正常組織に置き換えることで、自己埋め込みフレームワークを用いて医療画像における教師なし異常検出を実現する。この手法は、肺および頭頸部腫瘍のPET、CT、PET-CTスキャンにおいて最先端の性能を達成し、注釈付き異常を一切必要とせずに、教師ありセグメンテーション性能に匹敵する。

ABSTRACT

Robust and accurate detection and segmentation of heterogenous tumors appearing in different anatomical organs with supervised methods require large-scale labeled datasets covering all possible types of diseases. Due to the unavailability of such rich datasets and the high cost of annotations, unsupervised anomaly detection (UAD) methods have been developed aiming to detect the pathologies as deviation from the normality by utilizing the unlabeled healthy image data. However, developed UAD models are often trained with an incomplete distribution of healthy anatomies and have difficulties in preserving anatomical constraints. This work intends to, first, propose a robust inpainting model to learn the details of healthy anatomies and reconstruct high-resolution images by preserving anatomical constraints. Second, we propose an autoinpainting pipeline to automatically detect tumors, replace their appearance with the learned healthy anatomies, and based on that segment the tumoral volumes in a purely unsupervised fashion. Three imaging datasets, including PET, CT, and PET-CT scans of lung tumors and head and neck tumors, are studied as benchmarks for evaluation. Experimental results demonstrate the significant superiority of the proposed method over a wide range of state-of-the-art UAD methods. Moreover, the unsupervised method we propose produces comparable results to a robust supervised segmentation method when applied to multimodal images.

研究の動機と目的

• 医療画像における教師あり異常検出のための大規模かつ完全に注釈付きのデータセットの不足に対処すること。
• ラベルなしデータから包括的で解剖学的に整合性のある正常組織の表現を学習すること。
• 教師なしの方法で腫瘍を自動的に検出し、再構築された正常組織に置き換える自己埋め込みパイプラインを開発すること。
• 異常注釈を一切必要とせず、教師あり手法と同等のセグメンテーション性能を達成すること。
• PET、CT、PET-CTを含む多様な画像モodal に対して、耐性および一般化性能を評価すること。

提案手法

• 深層学習ベースの埋め込みモデルを、健康でラベルなしの医療画像にのみトレーニングし、空間的および文脈的制約を保持したまま高解像度の解剖的構造を再構築する。
• 生成的敵対ネットワーク（GAN）または類似アーキテクチャを用い、周囲の健康組織に注目することで欠損領域（例：腫瘍）を予測し、知覚的および敵対的損失を用いる。
• 自己埋め込みパイプラインを導入：まず再構築誤差が大きい領域として腫瘍を検出し、次にモデルが生成した健康組織に置き換える。
• 再構築誤差マップを異常スコアとして検出に用い、埋め込み領域を腫瘍のセグメンテーションマスクとして生成する。
• トレーニング中にボクシングボックス、マスク、分類ラベルのいずれの情報も必要としない、完全に教師なしの動作を実現する。
• フレームワークは、肺および頭頸部腫瘍のPET、CT、PET-CTスキャンの3つの臨床的データセットで評価される。

実験結果

リサーチクエスチョン

• RQ1 健康な画像にのみトレーニングされた自己埋め込みモデルは、解剖学的に妥当な方法で腫瘍を検出し、再構築できるか？
• RQ2 注釈が存在しない状況下で、埋め込みモデルの再構築誤差は実際の腫瘍位置とどの程度相関するか？
• RQ3 教師なし自己埋め込みパイプラインは、マルチモーダル医療画像において、教師あり手法と同等のセグメンテーション性能をどの程度達成できるか？
• RQ4 本手法は、PET、CT、PET-CTといった異なる画像モダリティおよび肺、頭頸部といった異なる解剖学的部位に一般化できるか？
• RQ5 検出およびセグメンテーション精度の観点から、最先端の教師なし異常検出技術と比較して、本手法はどの程度優れているか？

主な発見

• AutoPaintは、PET、CT、PET-CTスキャンの肺および頭頸部腫瘍を対象とした3つのベンチマークデータセットにおいて、広範な最先端の教師なし異常検出手法を上回る性能を発揮した。
• 本手法は、異常注釈を一切使用せずにトレーニングされたにもかかわらず、頑健な教師ありセグメンテーションモデルと同等のセグメンテーション性能を達成した。
• 再構築誤差マップは効果的に腫瘍を局在化しており、モデルが正常な解剖学的構造の意味のある表現を学習していることを示している。
• 自己埋め込みプロセスは、解剖学的に妥当な組織に腫瘍領域を効果的に置き換え、モデルが構造的および文脈的整合性を保持できる能力を示している。
• 本フレームワークは、異なる画像モダリティおよび解剖学的領域にわたり良好に一般化しており、画像コントラストや解像度の変動に対しても耐性があることが示された。
• アブレーションスタディにより、埋め込みプロセスにおける解剖学的制約の使用が、再構築の忠実度および異常検出精度を顕著に向上させていることが確認された。