[論文レビュー] Brainomaly: Unsupervised Neurologic Disease Detection Utilizing Unannotated T1-weighted Brain MR Images

Md Mahfuzur Rahman Siddiquee, Jay Shah+6 more|arXiv (Cornell University)|Feb 18, 2023

COVID-19 diagnosis using AI被引用数 6

ひとこと要約

Brainomalyは、アノテーションのないT1強調脳MRI画像を用いて神経疾患を検出するGANベースの教師なし異常検出フレームワークを提案する。ドメイン特化型の画像間変換と、アノテーションが不要な疑似AUC指標を活用することで、公的および機関のデータセットにおいてアルツハイマー病および頭痛の検出で最先端の性能を達成した。

ABSTRACT

Harnessing the power of deep neural networks in the medical imaging domain is challenging due to the difficulties in acquiring large annotated datasets, especially for rare diseases, which involve high costs, time, and effort for annotation. Unsupervised disease detection methods, such as anomaly detection, can significantly reduce human effort in these scenarios. While anomaly detection typically focuses on learning from images of healthy subjects only, real-world situations often present unannotated datasets with a mixture of healthy and diseased subjects. Recent studies have demonstrated that utilizing such unannotated images can improve unsupervised disease and anomaly detection. However, these methods do not utilize knowledge specific to registered neuroimages, resulting in a subpar performance in neurologic disease detection. To address this limitation, we propose Brainomaly, a GAN-based image-to-image translation method specifically designed for neurologic disease detection. Brainomaly not only offers tailored image-to-image translation suitable for neuroimages but also leverages unannotated mixed images to achieve superior neurologic disease detection. Additionally, we address the issue of model selection for inference without annotated samples by proposing a pseudo-AUC metric, further enhancing Brainomaly's detection performance. Extensive experiments and ablation studies demonstrate that Brainomaly outperforms existing state-of-the-art unsupervised disease and anomaly detection methods by significant margins in Alzheimer's disease detection using a publicly available dataset and headache detection using an institutional dataset. The code is available from https://github.com/mahfuzmohammad/Brainomaly.

研究の動機と目的

• 特に希少または複雑な神経疾患に対して限られたアノテーション付き神経画像データの課題に対処すること。
• 既存の教師なし異常検出手法が神経画像固有の特徴を十分に活用できないという制限を克服すること。
• 健康および病変を含むアノテーションのない混合被験者を含む実世界のデータセットにおいて、効果的な疾患検出を可能にすること。
• アノテーション付き検証サンプルを必要としない推論用のモデル選択戦略を開発すること。
• 脳MRIに特化したドメイン固有の画像変換を組み込むことで、神経疾患スクリーニングにおける検出性能を向上させること。

提案手法

• T1強調脳MRIに特化したGANベースの画像間変換ネットワークを提案し、疾患関連特徴の学習を可能にする。
• 訓練中にアノテーションのない混合データセット（健康および病変被験者を含む）を活用し、一般化性能および異常検出能力を向上させる。
• 推論段階でのモデル選択に向け、独創的な疑似AUC指標を導入し、アノテーション付き検証データの必要性を排除する。
• 正常な脳解剖構造の再構成をエンドツーエンドに訓練しながら、乖離を異常として強調する。
• 周期的整合性損失および敵対的損失を活用し、現実的な画像変換と頑健な特徴表現を確保する。
• 特徴レベルの再構成損失を適用し、解剖学的構造を保持するとともに、微細な病理的変化への感受性を高める。

実験結果

リサーチクエスチョン

• RQ1 既存の教師なし手法と比較して、GANベースの画像間変換モデルは、アノテーションのないT1強調MRIスキャンにおいて神経疾患検出性能を向上させることができるか？
• RQ2 健康および病変被験者が混合されたアノテーションのないデータセットを訓練に活用することで、クラスラベルが存在しない状況でも検出性能が向上するか？
• RQ3 画像変換ネットワークのドメイン特化設計が、神経疾患の検出精度にどの程度寄与するか？
• RQ4 疑似AUC指標は、アノテーション付き検証データを必要とせずに、効果的にモデル選択を可能にするか？
• RQ5 Brainomalyは、アルツハイマー病や頭痛関連病変を含む多様な神経疾患に一般化して適応できるか？

主な発見

• 公的データセットにおいて、アルツハイマー病検出においてSOTAの教師なし異常検出手法を上回り、AUCで顕著な向上を達成した。
• 頭痛検出のための機関データセットにおいて、既存手法と比較して優れた性能を示し、臨床現場における実世界の設定でも堅牢性を確認した。
• 訓練時にアノテーションのない混合データセットを活用することで、明示的な疾患アノテーションがなくても検出一般化性能が向上した。
• 提案された疑似AUC指標により、完全なアノテーションを用いる手法と同等の検出性能を達成する推論段階での効果的なモデル選択が可能になった。
• アブレーションスタディにより、ドメイン特化型の画像間変換コンponentが神経画像における高精度な検出に不可欠であることが確認された。
• 多様な神経解剖的変異および病理的パターンに対しても、モデルは強力な性能を維持しており、複雑な神経疾患状態への適応性を示した。