[論文レビュー] GAN-based Data Augmentation for Chest X-ray Classification

Shobhita Sundaram, Neha Hulkund|arXiv (Cornell University)|Jul 7, 2021

COVID-19 diagnosis using AI参考文献 22被引用数 5

ひとこと要約

本稿では、CheXpertデータセットを用いた胸部X線画像分類におけるクラス不均衡問題に対処するため、GANベースのデータ拡張を提案する。少ない頻度で出現する病変に対して合成画像を生成することで、モデルの性能が向上し、特にデータが少ない状況下で過学習が軽減され、標準的な拡張法や拡張なしの状況と比較してAUCの向上が顕著に見られる。

ABSTRACT

A common problem in computer vision -- particularly in medical applications -- is a lack of sufficiently diverse, large sets of training data. These datasets often suffer from severe class imbalance. As a result, networks often overfit and are unable to generalize to novel examples. Generative Adversarial Networks (GANs) offer a novel method of synthetic data augmentation. In this work, we evaluate the use of GAN- based data augmentation to artificially expand the CheXpert dataset of chest radiographs. We compare performance to traditional augmentation and find that GAN-based augmentation leads to higher downstream performance for underrepresented classes. Furthermore, we see that this result is pronounced in low data regimens. This suggests that GAN-based augmentation a promising area of research to improve network performance when data collection is prohibitively expensive.

研究の動機と目的

• 小規模で多様なトレーニングセットにおける医療画像データセットのクラス不均衡問題に対処すること。
• GANによって生成された合成データが、胸部X線画像分類における希少な病変の分類性能を向上させることを調査すること。
• さまざまなデータ体制下で、GANベースの拡張法と従来のデータ拡張法、および拡張なしの状況を比較し、その有効性を検証すること。
• 過学習や一般化性能の低下が特に深刻な状況において、GAN拡張が最も効果を発揮するかどうかを評価すること。
• 臨床応用において、GANからの合成データがより頑健で一般化可能なモデルをもたらす証拠を提供すること。

提案手法

• 特定の希少な病変（肺病変、胸膜その他、骨折）を有する合成胸部X線画像を生成できるように、事前学習済みのGANを微調整する。
• 生成されたGAN画像をトレーニングセットに統合し、特に発生頻度が5％未満の病変のクラス分布をバランスさせる。
• CheXpertデータセットのサブセット（1％、10％、50％、100％のデータサイズ）を用いて、GAN拡張済み、標準拡張済み、および拡張なしのデータでDenseNetモデルを学習する。
• 誤ったラベル（-1）に対しては、先行研究で性能向上が確認された方法に従い、ラベルスムージングを適用して1にマップする。
• 比較のためのベースラインとして、標準的なデータ拡張技術（例：ランダムな水平反転）を用いる。
• AUCスコアを用いてモデルの性能を評価し、トレーニング/検証損失曲線とクラスアクティベーションマップ（CAMs）を分析することで、解釈可能性と過学習の有無を評価する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのデータ拡張は、CheXpertデータセットにおける希少な病変の分類性能を、標準的な拡張法や拡張なしの状況と比較して向上させるか？
• RQ2 GAN拡張の有効性は、特にデータが少ない状況下で、さまざまなデータ体制に応じてどのように変化するか？
• RQ3 小規模で不均衡なデータセットにおいて、GAN拡張は過学習をどの程度軽減するか？
• RQ4 クラスアクティベーションマップ（CAMs）によって示されるように、GAN拡張済みモデルが学習した特徴は、実際のデータと一貫しており、解釈可能であるか？
• RQ5 標準的なデータ拡張は、大規模なデータセットにおいて性能を低下させることがあるか？ もしそうであるなら、その理由は何か？

主な発見

• 1％のデータ体制下で、GAN拡張は肺病変で0.08、胸膜その他で0.06、骨折で0.07のAUC向上を、拡張なしの状況と比較して達成した。
• 10％のデータ体制下では、すべての希少病変においてGAN拡張がAUCを向上させ、標準拡張法よりも高い向上幅を示した。
• 1％体制下では、過学習が顕著に軽減された。GAN拡張モデルではトレーニング損失と検証損失の差が0.03であったのに対し、拡張なしモデルでは0.06であった。
• 100％のデータ体制下では、標準拡張法がすべての病変で拡張なしの状況よりも性能を低下させた。これは、反転処理に起因する構造的不変性の問題が原因である可能性がある。
• クラスアクティベーションマップ（CAMs）の結果、実画像とGAN生成画像の間で類似したアクティベーションパターンが観察された。これは、モデルが合成データに過学習せず、一貫した局所的特徴を学習していることを示している。
• 大規模データ環境下でも、GAN拡張は最も不均衡なクラスである胸膜その他で0.006のAUC向上をもたらした。これは、極めて不均衡な分布に対しても継続的な有効性があることを示唆している。