[論文レビュー] Detecting Outliers with Foreign Patch Interpolation

Jeremy Tan, Benjamin Hou+3 more|arXiv (Cornell University)|Nov 9, 2020

Anomaly Detection Techniques and Applications参考文献 57被引用数 14

ひとこと要約

本論文では、異なる被験者からのパッチ間の補間係数を予測するように訓練されたワイドリサンプルU-Netを用いて、微妙な医用画像の外れ値を自己教師付きで検出するためのForeign Patch Interpolation (FPI) を提案する。モデルは正常な解剖的文脈を学習し、異質なパターンを同定する。FPIはMICCAI 2020 MOODチャレンジで最先端の性能を達成し、微妙な病変を検出する際、再構成ベースの手法を上回った。

ABSTRACT

In medical imaging, outliers can contain hypo/hyper-intensities, minor deformations, or completely altered anatomy. To detect these irregularities it is helpful to learn the features present in both normal and abnormal images. However this is difficult because of the wide range of possible abnormalities and also the number of ways that normal anatomy can vary naturally. As such, we leverage the natural variations in normal anatomy to create a range of synthetic abnormalities. Specifically, the same patch region is extracted from two independent samples and replaced with an interpolation between both patches. The interpolation factor, patch size, and patch location are randomly sampled from uniform distributions. A wide residual encoder decoder is trained to give a pixel-wise prediction of the patch and its interpolation factor. This encourages the network to learn what features to expect normally and to identify where foreign patterns have been introduced. The estimate of the interpolation factor lends itself nicely to the derivation of an outlier score. Meanwhile the pixel-wise output allows for pixel- and subject- level predictions using the same model.

研究の動機と目的

• 異常なトレーニングデータが利用できない状況下で、微妙で多様な医用画像の外れ値を検出する課題に対処すること。
• 正常な解剖的変異に一般化しつつ、微細な逸脱に敏感な自己教師付き手法を開発すること。
• 再構成誤差に依存せずに、ピクセルレベルおよび被験者レベルの外れ値検出を統合的に実現するモデルを構築すること。
• 再構成ベースの手法が見過ごしがちな臨床的に重要な異常、たとえば微妙な病変の検出を改善すること。
• 外れ値が多様で事前に未知の実世界の医用画像診断において、頑健で一般化可能な外れ値検出を可能にすること。

提案手法

• 2つの独立した被験者からパッチを抽出し、一様分布からサンプリングしたランダムな要因を用いて補間することで、合成された外れ値を生成する。
• ワイドリサンプルエンコーダーデコーダーネットワークを、補間係数の予測とパッチの再構成を学習させることで、文脈内での異質なパターンの検出を可能にする。
• 補間係数の推定値が直接の外れ値スコアとして機能し、高い値は正常な外見からの著しい逸脱を示す。
• ピクセル単位の予測により、同じモデルとトレーニング手順を用いてピクセルレベルおよび被験者レベルの異常検出が可能である。
• バリデーションに外れ値を使用しないため、予期しない異常パターンへの一般化が保たれる。
• 非ペairedな正常画像上でエンドツーエンドに訓練され、自然な解剖的変異を活用して異常をシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 実際の異常トレーニングデータにアクセスできない状況下で、外部パッチ補間に基づく自己教師付き手法が、微妙で多様な医用画像異常を検出できるか？
• RQ2 DeepLesionデータセットにおいて、FPIは再構成ベースの手法と比較して、微妙な病変をどのように検出するか？
• RQ3 再トレーニングなしで、異なる解剖的領域や画像コントラストに一般化できるか？
• RQ4 補間係数が、多様な異常パターンに対して信頼性があり解釈可能な外れ値スコアを提供できるか？
• RQ5 FPIは、実世界の医用画像ベンチマークにおいてゼロショット外れ値検出で最先端の性能を達成できるか？

主な発見

• FPIは2020年MICCAI MOODチャレンジにおいて、サンプルレベルおよびピクセルレベルの両タスクで最高順位を記録し、未観測の異常パターンへの強力な一般化を示した。
• DeepLesionデータセットにおいて、FPIは再構成ベースの手法が強調できなかった微妙な病変を効果的に検出できた。その際、再構成手法の画像レベル検出におけるAUROCスコアは0.5未満であった。
• 本手法は高い解剖的可変性に対しても頑健であり、強度の不連続性や著しい構造的変化がなくても、異常を検出できる。
• 補間係数の推定値は、異質なパターンの導入度合いを効果的に捉えており、信頼性があり解釈可能な外れ値スコアを提供する。
• FPIは再構成誤差ではなく構造的不整合に焦点を当てているため、微妙な病変において再構成ベースの手法を上回る。
• モデルは、脳および腹部のMOODチャレンジ画像において一貫した性能を示しており、異なる解剖的領域や画像コントラストに一般化していることが示された。