[論文レビュー] General-to-Detailed GAN for Infrequent Class Medical Images

Tatsuki Koga, Naoki Nonaka+2 more|arXiv (Cornell University)|Nov 28, 2018

Generative Adversarial Networks and Image Synthesis参考文献 12被引用数 8

ひとこと要約

本稿では、一般ラベル（例：性別）を用いて多様な医用画像を最初に生成し、その後、疾患固有の詳細ラベル（例：心臓肥大）で精錬する二段階のGANフレームワーク、General-to-Detailed GAN（GDGAN）を提案する。GDGANは、希少な医用画像分類クラスにおける分類性能を顕著に向上させ、NIH Chest X-rayデータセットにおいて心臓肥大のAUCが0.8207に達し、データ拡張に用いられた際、最高のスコアを記録した。

ABSTRACT

Deep learning has significant potential for medical imaging. However, since the incident rate of each disease varies widely, the frequency of classes in a medical image dataset is imbalanced, leading to poor accuracy for such infrequent classes. One possible solution is data augmentation of infrequent classes using synthesized images created by Generative Adversarial Networks (GANs), but conventional GANs also require certain amount of images to learn. To overcome this limitation, here we propose General-to-detailed GAN (GDGAN), serially connected two GANs, one for general labels and the other for detailed labels. GDGAN produced diverse medical images, and the network trained with an augmented dataset outperformed other networks using existing methods with respect to Area-Under-Curve (AUC) of Receiver Operating Characteristic (ROC) curve.

研究の動機と目的

• 希少疾患に十分なトレーニングサンプルが不足する医療画像データセットにおけるクラス不均衡の課題に対処すること。
• 従来のGANが希少クラスの意味のあるサンプルを生成するためには大量の実データを必要とすることの制限を克服すること。
• 希少疾患クラスの高品質で多様な医用画像を合成し、下流の分類性能を向上させること。
• まず一般解剖的特徴を学習し、その後疾患固有の病変を追加する階層的生成戦略を検討すること。

提案手法

• GDGANは、二つの直列に接続されたGANを採用する：最初のGANは一般ラベル（例：性別、撮影位置）を条件として画像を生成し、2番目のGANは疾患固有の詳細ラベル（例：心臓肥大）を追加する。
• 最初のGANは、多様性と正しい一般ラベルの生成を保証するため、Wasserstein GANに勾配ペナルティとクラス対数尤度損失を組み合わせる。
• 2番目のGANは、WGAN損失、一般ラベルおよび詳細ラベルの両方のクラス対数尤度損失、および入力画像と生成画像間の平均二乗誤差損失（再構成忠実度）を統合する。
• モデルは二段階で訓練される：まず一般GANを訓練し、その後、最初の段階の出力を入力として詳細GANを訓練する。
• データ拡張は、実際の希少クラス画像をGDGANで生成された合成画像に置き換えることで実施され、その後、そのデータでVGGNet-19分類器を再訓練する。
• 評価には、画像の多様性を測るインセプションスコアと、NIH Chest X-rayデータセットにおける分類性能のAUC（受信器操作特性曲線下の面積）を用いる。

実験結果

リサーチクエスチョン

• RQ1 二段階のGANフレームワークは、希少疾患クラスの多様で現実的である医用画像を効果的に生成できるか？
• RQ2 一般特徴から始め、その後に詳細特徴を追加する階層的生成戦略は、単一段階のGANと比較して、合成医用画像の品質と多様性を向上させるか？
• RQ3 GDGANで生成された画像は、深層学習モデルの希少疾患分類タスクにおける性能を向上させられるか？
• RQ4 従来のデータ拡張技術（例：オーバーサンプリング、アンダーサンプリング）と比較して、GDGANは希少疾患検出のAUCにおいて優れているか？

主な発見

• GDGANで生成された画像はインセプションスコア2.3220を達成し、実データセットのスコア2.1258よりも顕著に高く（p = 4.3748e-16）、画像の多様性が優れていることを示した。
• インセプションスコアではGDGAN（2.3220）はACGAN（2.7716）を下回ったが、下流の分類性能ではGDGANがACGANを上回った。
• GDGANで拡張されたデータで訓練されたVGGNet-19分類器は、心臓肥大の平均AUCが0.8207に達し、元のデータセット（0.8074）および他の拡張手法を上回った。
• GDGANのAUCの標準偏差（0.0066）は、すべての手法の中で最小であり、トレーニングの安定性と再現性の高さを示した。
• オーバーサンプリングおよびACGANベースの拡張手法と比較してGDGANは優れており、次に優れた手法（ACGAN：0.7963）と比較してAUCで1.3%の絶対的向上を達成した。
• これらの結果は、GDGANが希少疾患クラスの高品質で多様な合成画像を生成することで、データの不均衡を効果的に緩和できることを示している。