[論文レビュー] Diffusion Models for Medical Anomaly Detection

Julia Wolleb, Florentin Bieder+2 more|arXiv (Cornell University)|Mar 8, 2022

Anomaly Detection Techniques and Applications被引用数 6

ひとこと要約

本論文は、医療画像の画像間翻訳に、ノイズ除去拡散陰性モデル（DDIM）と分類器ガイドランスを組み合わせた、新しい弱教師付き異常検出手法を提案する。訓練済み分類器からのガイドランスを用いて、入力画像を繰り返しノイズ化・ノイズ除去することで、高精度な健全な再構成画像を生成し、画素単位の差分として詳細な異常マップを生成する。この手法は、アーキテクチャ的・訓練プロセス的変更なしに、BRATS2020およびCheXpertデータセットで最先端の性能を達成した。

ABSTRACT

In medical applications, weakly supervised anomaly detection methods are of great interest, as only image-level annotations are required for training. Current anomaly detection methods mainly rely on generative adversarial networks or autoencoder models. Those models are often complicated to train or have difficulties to preserve fine details in the image. We present a novel weakly supervised anomaly detection method based on denoising diffusion implicit models. We combine the deterministic iterative noising and denoising scheme with classifier guidance for image-to-image translation between diseased and healthy subjects. Our method generates very detailed anomaly maps without the need for a complex training procedure. We evaluate our method on the BRATS2020 dataset for brain tumor detection and the CheXpert dataset for detecting pleural effusions.

研究の動機と目的

• 医療画像における画素単位のアノテーションを取得する課題に対処し、画像ラベルのみを用いた弱教師付き異常検出を可能にする。
• 従来のオートエンコーダーやGANベースの手法が、訓練の複雑さや微細な解剖的構造の保存に難があるという限界を克服する。
• 非病変領域を正確に保持しながら、詳細で現実的な健全な画像変換を生成する手法を開発する。
• 拡散モデルが医療異常検出分野において実用可能であることを示し、このタスクに関してはこれまで未開拓であった分野を解消する。
• 標準的なDDIMおよび分類器訓練に加え、モデルアーキテクチャや訓練手順の変更なしに利用可能なプラグアンドプレイソリューションを提供する。

提案手法

• 未対応の健全および病変を含む医療画像を用いて、画像ラベルのみを用いて、ノイズ除去拡散確率モデル（DDPM）と二値分類器を訓練する。
• DDIMの決定的反復的ノイズ化プロセスを用い、前方拡散プロセスの逆方向で入力画像の解剖的構造を符号化する。
• ノイズ除去フェーズ中に分類器ガイドランスを適用し、生成プロセスを健全な画像に向かって誘導する。分類器の勾配を用いてノイズ除去ネットワークをガイドする。
• 符号化されたノイズ付き表現を繰り返しノイズ除去することで、合成された健全な画像を生成する。分類器のガイドランスにより病変の除去を保証する。
• 元の入力画像と生成された健全な画像とのL2差分として異常マップを計算し、病変領域を強調する。
• DDIMのサンプリング方式を活用し、非病変領域の微細な詳細を保持すると同時に、病変領域のみを現実的な組織の外観で再構築する。

実験結果

リサーチクエスチョン

• RQ1 画素単位のアノテーションを必要とせずに、拡散モデルを弱教師付き医療画像異常検出に効果的に適応できるか？
• RQ2 DDIMの反復的ノイズ化／ノイズ除去と分類器ガイドランスの組み合わせは、従来のオートエンコーダーまたはGANベースの手法よりも、より詳細かつ正確な異常マップを生成できるか？
• RQ3 ハイパーパrameter、たとえばサンプリングステップ数（L）や分類器ガイドランススケール（s）の変更に、手法の性能はどれほど感応するか？
• RQ4 非病変領域の微細な解剖的構造を保持しながら、病変領域を正確に除去または再構築できるか？
• RQ5 提案手法は、FP-GAN や VAE といった最先端のベースラインを、標準的な医療画像異常検出ベンチマークで上回るか？

主な発見

• 最適なハイパーパrameterを用いた場合、BRATS2020データセットにおいて、腫瘍セグメンテーションの平均Diceスコアが0.62、AUROCが0.97を達成し、最先端の性能を示した。
• CheXpertデータセットでは、胸膜効果の検出において優れた汎化性能を示し、ベースライン手法に比べて異常マップの品質と局在化精度が優れていた。
• 本手法は、非病変領域の微細な解剖的構造を保持した高精細な異常マップを生成したが、DDPMベースのベースラインとは異なり、基本的な解剖学的構造の歪みが見られなかった。
• ハイパーパramータ感度分析の結果、ノイズレベル（L）および分類器ガイドランススケール（s）の両方が性能に顕著に影響することが判明。最適な値はアーチファクト抑制と腫瘍除去のバランスを取っていた。
• 健全な画像に適用した場合、本手法はほぼゼロに近い異常マップを生成した。これは、病変が存在しない状況でも誤った異常を生成しないことを確認した。
• 最小限のアーキテクチャ的・訓練プロセス的変更で、高品質な画像間変換を達成した。これにより、多様な医療画像応用分野へのプラグアンドプレイ可能性が示された。