[論文レビュー] Conditional Infilling GANs for Data Augmentation in Mammogram Classification

Eric Hsiao‐Kuang Wu, Kevin Wu+2 more|arXiv (Cornell University)|Jul 21, 2018

AI in cancer detection参考文献 21被引用数 16

ひとこと要約

この論文では、乳腺がん分類のためのデータ拡張を向上させるために、病変を含むリアルな合成マンモグラムパッチを生成するための条件付き埋め込みGAN（ciGAN）を提案する。病変マスクとクラスラベルを条件として用いることで、高解像度で文脈的に整合性のある病変を生成し、ベースライン比でAUCが0.014向上し、従来のデータ拡張法比で0.009向上する。

ABSTRACT

Deep learning approaches to breast cancer detection in mammograms have recently shown promising results. However, such models are constrained by the limited size of publicly available mammography datasets, in large part due to privacy concerns and the high cost of generating expert annotations. Limited dataset size is further exacerbated by substantial class imbalance since "normal" images dramatically outnumber those with findings. Given the rapid progress of generative models in synthesizing realistic images, and the known effectiveness of simple data augmentation techniques (e.g. horizontal flipping), we ask if it is possible to synthetically augment mammogram datasets using generative adversarial networks (GANs). We train a class-conditional GAN to perform contextual in-filling, which we then use to synthesize lesions onto healthy screening mammograms. First, we show that GANs are capable of generating high-resolution synthetic mammogram patches. Next, we experimentally evaluate using the augmented dataset to improve breast cancer classification performance. We observe that a ResNet-50 classifier trained with GAN-augmented training data produces a higher AUROC compared to the same model trained only on traditionally augmented data, demonstrating the potential of our approach.

研究の動機と目的

• データ不足とクラス不均衡が深層学習の性能を制限するマンモグラム分類の課題に対処すること。
• 医療画像におけるGANベースのデータ拡張が、従来の拡張手法を上回る性能を発揮するかどうかを検討すること。
• 正常マンモグラムのマスク領域を埋め込むことで、リアルな病変を高解像度で生成する安定したGANを構築すること。
• ResNet-50分類器を用いて、GAN拡張データの下流分類性能への影響を評価すること。
• 病変マスクとクラスラベルを条件として用いることで、生成の忠実度と下流タスクの精度が向上することを示すこと。

提案手法

• マルチスケールで条件付きのGANアーキテクチャ（ciGAN）を用い、生成器が損傷を受けたマンモグラムパッチの病変領域を埋め込む。
• 生成器の入力には、病変がノイズに置き換えられた損傷画像、病変マスク、2チャンネルのクラスラベル（悪性または非悪性）が含まれる。
• アップサンプリングとスキップ接続を用いた段階的精錬ネットワークを採用し、高解像度生成の安定性を向上させる。
• 訓練には、敵対的損失、特徴損失（知覚的類似性）、境界損失（病変マスクのエッジを保持）を組み合わせ、重みはそれぞれ1.0、10.0、10,000.0とする。
• Discriminatorと共同訓練を開始する前に、10,000イテレーション間、特徴損失でGANを事前学習し、Adam最適化アルゴリズムを用いて100,000イテレーション訓練する。
• データ拡張は、合成病変の生成によって実施される：非悪性パッチごとに、別の悪性パッチのマスクを用いて悪性病変を生成し、逆に悪性パッチに対して非悪性病変を生成する。

実験結果

リサーチクエスチョン

• RQ1 条件付き埋め込みGANは、臨床的に整合性のある病変を含む高解像度でリアルな合成マンモグラムパッチを生成できるか？
• RQ2 GANベースのデータ拡張は、従来の拡張手法と比較して、マンモグラムを用いた乳腺がん検出のためのResNet-50分類器の性能を向上させるか？
• RQ3 条件付きGANアーキテクチャに病変マスクとクラスラベルを組み込むことで、生成品質と下流分類性能にどのような影響を与えるか？
• RQ4 ciGANは、医療画像GANで一般的な訓練の不安定性と解像度制限を効果的に克服できるか？
• RQ5 提案された拡張戦略は、リアルな少数クラス例を生成することで、マンモグラムデータセットのクラス不均衡を緩和できるか？

主な発見

• ciGANは、高解像度（256x256）の合成マンモグラムパッチを生成し、病変の形態と文脈的一致性が保たれている。
• ciGAN拡張データで学習したResNet-50分類器はAUC 0.896を達成し、ベースライン（拡張なし）モデルより0.014AUC向上（p < 0.01）。
• ciGAN拡張モデルは、従来のデータ拡張のみの手法よりAUCが0.009向上（p < 0.05）し、高度な生成による段階的向上を示している。
• モデルは8,648個の合成悪性パッチと1,832個の合成非悪性パッチを生成し、トレーニングデータセットのサイズを2倍に増やしながらも、クラスバランスを維持した。
• 境界損失と特徴損失の使用により、生成病変のシャープネスと解剖学的妥当性、特に病変エッジ部の品質が顕著に向上した。
• 段階的に実データの割合を増やす訓練戦略（50%から90%へ）により、後期の訓練エポックで過学習を防ぎ、一般化性能が向上した。