[論文レビュー] Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network

Nan Wang, Cheng‐Wei Chen+2 more|arXiv (Cornell University)|Jul 9, 2020

Anomaly Detection Techniques and Applications参考文献 26被引用数 9

ひとこと要約

本論文は、正常な脳MRIスキャンのみを用いて学習する潜在変数正則化付き対生成的敵対ネットワークを用いた半教師あり脳腫瘍異常検出手法を提案する。特徴量空間と潜在空間の両方の再構成を特異値制約付きで同時に最適化することにより、BraTS、HCP、MNIST、CIFAR-10の各データセットで最先端の教師あり手法を上回る異常検出性能を達成し、BraTSでは潜在空間再構成誤差を異常スコアとして用いることでAUCが最大0.994に達した。

ABSTRACT

With the development of medical imaging technology, medical images have become an important basis for doctors to diagnose patients. The brain structure in the collected data is complicated, thence, doctors are required to spend plentiful energy when diagnosing brain abnormalities. Aiming at the imbalance of brain tumor data and the rare amount of labeled data, we propose an innovative brain tumor abnormality detection algorithm. The semi-supervised anomaly detection model is proposed in which only healthy (normal) brain images are trained. Model capture the common pattern of the normal images in the training process and detect anomalies based on the reconstruction error of latent space. Furthermore, the method first uses singular value to constrain the latent space and jointly optimizes the image space through multiple loss functions, which make normal samples and abnormal samples more separable in the feature-level. This paper utilizes BraTS, HCP, MNIST, and CIFAR-10 datasets to comprehensively evaluate the effectiveness and practicability. Extensive experiments on intra- and cross-dataset tests prove that our semi-supervised method achieves outperforms or comparable results to state-of-the-art supervised techniques.

研究の動機と目的

• 医療画像分野におけるラベル付き脳腫瘍画像のデータ不均衡と不足という課題に対処すること。
• 広範なラベル付き異常データを必要とし、病変タイプが事前に分かっていると仮定する完全教師あり手法の限界を克服すること。
• 事前に接触経験のない未知または希少な脳病変を識別できる、堅牢で一般化可能な異常検出フレームワークの開発。
• ピクセルレベルの再構成誤差に依存するのではなく、潜在空間の最適化に注力することで検出性能を向上させること。
• 多様な病理的脳画像の収集が費用と時間のかかる臨床現場での実用的導入を可能にすること。

提案手法

• 正常（インライヤー）脳MRI画像のみで学習する半教師ありGANベースのフレームワークを提案する。
• 特異値分解（SVD）を用いた潜在空間正則化を導入し、潜在表現の制約を設け、特徴量の分離性を向上させる。
• 画像空間と潜在空間における再構成損失および敵対的損失を組み合わせた複数の損失関数を用いて、生成器と判別器を同時に最適化する。
• 潜在空間における再構成誤差（||z - z'||）を異常スコアとして使用し、ピクセルレベルの再構成誤差よりもより判別力が高くなる。
• 潜在特徴空間における正常と異常サンプルの分離性を高めるために、マルチオブジェクティブな学習目的を採用する。
• 推論段階で、学習済みモデルを用いてテストサンプルの潜在空間内での正規分布からの逸脱度を測定することで異常を検出する。

実験結果

リサーチクエスチョン

• RQ1 正常な脳MRIスキャンのみで学習した半教師あり異常検出モデルは、多様で未知の脳腫瘍タイプを効果的に検出できるか？
• RQ2 特異値分解による潜在空間の制約は、異常検出に向けた学習済み特徴量の判別力向上に寄与するか？
• RQ3 ピクセルレベルの再構成誤差と比較して、潜在空間再構成誤差は正常と異常画像を区別する上でどのように優れているか？
• RQ4 本手法はBraTS、HCP、MNIST、CIFAR-10といった異なるデータセットにどの程度一般化可能か？
• RQ5 分布シフトを伴うクロスデータセット評価において、本モデルは高い性能を維持できるか？

主な発見

• 潜在空間再構成誤差を用いた本手法は、BraTSデータセットでAUC 0.994を達成し、ピクセルレベル再構成（AUC 0.938）を顕著に上回った。
• MNISTでは、潜在ベースの異常スコアによりAUCが0.868から0.937に向上し、相対的に7.3%の向上を示した。これは特徴量レベルの識別性能向上を示している。
• CIFAR-10では、ピクセルレベルのAUC 0.617から潜在レベルのAUC 0.797に向上し、特徴表現の質の向上が一貫して確認された。
• クロスデータセット評価においても、分布シフト下でも最小限の性能低下で安定した性能を維持しており、優れた一般化能力を示した。
• 潜在空間の可視化により、SVD正則化を適用した場合、正常（青）と異常（赤）のサンプルが明確に分離されていることが確認され、特徴量の分離性が向上したことが裏付けられた。
• BraTSにおけるスライス単位の腫瘍検出において、本手法はceVAE、VAE、AE、VAE-H、ELBO Gradientといった最先端の教師あり手法を上回るか、同等の性能を達成した。