[論文レビュー] Correcting differences in multi-site neuroimaging data using Generative Adversarial Networks

Harrison Nguyen, Richard W. Morris+3 more|arXiv (Cornell University)|Mar 26, 2018

Advanced Neuroimaging Techniques and Applications参考文献 39被引用数 4

ひとこと要約

本論文では、バイアス要因の事前知識がなくても、非線形的でサイト特異的な差を補正するGANベースの手法を提案する。2つのスキャナーサイト間でドメイン不変な変換を学習することで、スキャナーバイアスに起因するばらつきを低減しつつ、臨床的に関連する情報を保持する。従来の線形手法と比較して、性別や統合失調症の診断分類精度が顕著に向上した。

ABSTRACT

Magnetic Resonance Imaging (MRI) of the brain has been used to investigate a wide range of neurological disorders, but data acquisition can be expensive, time-consuming, and inconvenient. Multi-site studies present a valuable opportunity to advance research by pooling data in order to increase sensitivity and statistical power. However images derived from MRI are susceptible to both obvious and non-obvious differences between sites which can introduce bias and subject variance, and so reduce statistical power. To rectify these differences, we propose a data driven approach using a deep learning architecture known as generative adversarial networks (GANs). GANs learn to estimate two distributions, and can then be used to transform examples from one distribution into the other distribution. Here we transform T1-weighted brain images collected from two different sites into MR images from the same site. We evaluate whether our model can reduce site-specific differences without loss of information related to gender (male, female) or clinical diagnosis (schizophrenia, bipolar disorder, healthy). When trained appropriately, our model is able to normalise imaging sets to a common scanner set with less information loss compared to current approaches. An important advantage is our method can be treated as a black box that does not require any knowledge of the sources of bias but only needs at least two distinct imaging sets.

研究の動機と目的

• スキャナーバイアスに起因する多施設神経画像研究におけるばらつきの課題に対処すること。これは、統計的パワーと再現性を損なう。
• バイアスの原因を事前に知らなくてもよい、後処理型のデータ駆動型手法を考案し、施設間でのMRIデータ正規化を実現すること。
• T1強調脳画像におけるサイト特異的アーチファクトを低減しつつ、臨床的に関連する情報（例：性別や診断）を保持すること。
• GANのような深層生成モデルが、従来の線形法やガウス過程回帰と比較して、複雑な非線形的サイト差をより効果的に補正できることを示すこと。

提案手法

• 1つのスキャナーサイトで得られたT1強調MRI画像から、ターゲットサイトの画像分布へのマッピングを学習するための条件付き生成対抗ネットワーク（cGAN）を訓練する。
• スプライス接続を備えたU-Netベースの生成器を用い、画像変換中に空間的詳細を保持する。PatchGAN識別器を用いて、局所的な画像の現実性を評価する。
• 生成画像と実画像の差を最小化する adversarial loss と、構造的忠実度を保証するサイクル整合性損失を用いて、GANを訓練する。
• 訓練されたGANを用いて、ソースサイトの中央縦断断層画像をターゲットサイトの分布に一致させる変換を実行し、ドメイン適応を実現する。
• 生物学的信号の保持を評価するために、下流の分類タスク（性別と統合失調症）を用いて性能を評価する。
• 線形回帰とガウス過程回帰をベースラインとして比較し、分類精度と統計的不変性を指標とする。

実験結果

リサーチクエスチョン

• RQ1 バイアス要因の事前知識がなくても、GANベースの手法が多施設構造的MRIデータにおける非線形的・サイト特異的差を効果的に低減できるか？
• RQ2 GAN変換は、スキャナーバイアスに起因するばらつきを最小限に抑えつつ、性別や診断といった臨床的に関連する情報を保持できるか？
• RQ3 分類精度という観点から、GANベースの正規化は線形法やガウス過程回帰と比較して、診断および人口統計的ラベルの区別にどの程度優れているか？
• RQ4 最も顕著な画像変換が生じる脳領域はどこか？ また、それらの領域は性別や疾患に関連する既知の解剖学的差異と相関しているか？

主な発見

• GANベースの手法は、線形回帰およびガウス過程回帰と比較して、性別の分類精度が顕著に向上した。これは、生物学的に関連する構造がよりよく保持されたことを示唆している。
• 変換後の画像は、2クラス分類タスクにおいて、2つのスキャナー間で区別できなくなるほど、サイト特異的差が低減しており、ドメイン整合性が有効に達成されたことを示している。
• 統合失調症患者と健常対照群の区別において、GANは線形法およびGP回帰を上回った。これは、非線形的サイト差が深層生成モデルによってより効果的に補正されたことを示している。
• 主な画像変換は、扁桃体や脳幹といった、性別に差があることが知られている領域に集中しており、生物学的に関連する領域での一貫性向上を示唆している。
• グレイ・ホワイトマター境界のような複雑な組織コントラストを示す領域でさえ、バイアスフィールドに類似したばらつきが効果的に低減された。
• 中央縦断断層画像のみを入力として使用しても、GANモデルは十分な空間的コンテキストを捉え、下流の分類精度を向上させた。これは、入力次元が限定されてもモデルが頑健であることを示している。