[論文レビュー] Constrained Generative Adversarial Network Ensembles for Sharable Synthetic Data Generation

Engin Dikici, Luciano M. Prevedello+3 more|arXiv (Cornell University)|Feb 28, 2020

AI in cancer detection参考文献 55被引用数 6

ひとこと要約

本論文では、共有可能でプライバシーを守る合成3次元脳転移巣MRIデータを生成するため、制約付き生成対抗ネットワークアンサンブル（cGANe）を提案する。実際のT1強調画像スキャンを用いて訓練することで、cGANeは脳転移巣検出において同等の性能を達成する合成データを生成する—実データを用いた場合の1患者あたり9.12件の誤検出と比較して、合成データを用いた場合の誤検出は1患者あたり9.53件にとどまる—、これは安全で共同可能な医療AI研究の可能性を示している。

ABSTRACT

The sharing of medical imaging datasets between institutions, and even inside the same institution, is limited by various regulations/legal barriers. Although these limitations are necessities for protecting patient privacy and setting strict boundaries for data ownership, medical research projects that require large datasets suffer considerably as a result. Machine learning has been revolutionized with the emerging deep neural network approaches over recent years, making the data-related limitations even a larger problem as these novel techniques commonly require immense imaging datasets. This paper introduces constrained Generative Adversarial Network ensembles (cGANe) to address this problem by altering the representation of the imaging data, whereas containing the significant information, enabling the reproduction of similar research results elsewhere with the sharable data. Accordingly, a framework representing the generation of a cGANe is described, and the approach is validated for the generation of synthetic 3D brain metastatic region data from T1-weighted contrast-enhanced MRI studies. For 90% brain metastases (BM) detection sensitivity, our previously reported detection algorithm produced on average 9.12 false-positive BM detections per patient after training with the original data, whereas producing 9.53 false-positives after training with the cGANe generated synthetic data. Although the applicability of the introduced approach needs further validation studies with a range of medical imaging data types, the results suggest that the BM-detection algorithm can achieve comparable performance by using cGANe generated synthetic data. Hence, the generalization of the proposed approach for various modalities may occur in the near future.

研究の動機と目的

• プライバシー規制やデータ所有権の制限による医療画像データの共有の課題に対処すること。
• 研究に適した臨床的関連情報を保持する合成医療画像を生成する手法を開発すること。
• 実データと同等の性能を達成する深層学習モデルの訓練を、合成データ上で行えるようにすること。
• 3次元T1強調対比強調MRIを用いた脳転移巣検出の文脈で、このアプローチを検証すること。
• 多様な画像モodalitiesにわたり、合成データの医療画像研究分野への広範な採用を支援すること。

提案手法

• 本手法は、実際のMRIデータから合成3次元脳転移巣領域を生成する、制約付き生成対抗ネットワーク（cGAN）のアンサンブルを採用する。
• アンサンブル内の各cGANは、検出に不可欠な解剖学的および病理学的特徴を保持するように制約付きで訓練される。
• 対抗損失とサイクル整合性正則化を用いて、実データと合成データの間で構造的および強度的一致性を強制するフレームワークを構築する。
• 識別器ネットワークは実データと合成データを区別するように訓練され、生成器ネットワークは現実的ではあるが識別不能な合成スキャンを生成するように学習する。
• このアプローチにより、生成データが元のデータ分布に高い忠実性を保ちつつ、患者の再特定リスクを最小限に抑えることが保証される。
• モデルは、脳転移巣の実際のT1強調対比強調MRIスキャンをエンドツーエンドで訓練し、後続のモデル訓練用に合成データを生成する。

実験結果

リサーチクエスチョン

• RQ1 cGANeは、検出タスクに必要な臨床的特徴を保持する合成3次元脳転移巣MRIデータを生成できるか？
• RQ2 cGANeが生成する合成データで訓練された脳転移巣検出モデルは、実データで訓練した場合と同等の性能を達成できるか？
• RQ3 合成データは、元のデータセットの統計的および空間的特性をどの程度保持しているか？
• RQ4 合成データで訓練した検出モデルの誤検出率は、実データで訓練したモデルと比べてどの程度か？
• RQ5 cGANeフレームワークは、T1強調対比強調MRIを超えた他の医療画像モダリティへ一般化可能か？

主な発見

• 90％の脳転移巣検出感度を達成するため、実データで訓練した検出モデルは1患者あたり9.12件の誤検出を記録した。
• cGANeが生成する合成データで訓練した同じモデルは、1患者あたり9.53件の誤検出を記録し、性能がほぼ同等であることが示された。
• 合成データは、信頼性のあるモデル訓練および推論を可能にする十分な解剖学的および病理学的詳細を保持していた。
• このアプローチにより、プライバシー規制やデータ所有制限に違反することなく、機関間でのデータ共有が可能になった。
• 結果から、cGANeが生成するデータは、共同医療画像研究における実データの代替として実用的である可能性があると示唆された。
• フレームワークは他の画像モダリティへの応用についても有望であるが、さらなる検証が必要である。