[論文レビュー] Generating Magnetic Resonance Spectroscopy Imaging Data of Brain Tumours from Linear, Non-Linear and Deep Learning Models

Nathan J Olliverre, Guang Yang+3 more|arXiv (Cornell University)|Aug 23, 2018

Brain Tumor Detection and Classification参考文献 15被引用数 4

ひとこと要約

本研究では、修正されたMRS分類器（PMM）、GAN、DCGANを用いて、脳腫瘍の合成磁気共鳴スペクトロスコピー（MRS）データを生成するための線形、非線形、深層学習モデルを評価した。生成されたGANデータを用いてランダムフォレストを訓練した場合、正常組織の分類で97.5%、低悪性度腫瘍で97%の精度を達成し、DCGANやPMMを上回った。これは、生成モデルが限られた実データしか入手できない状況でも、臨床的に有用で高精度なMRSデータを生成できることを示している。

ABSTRACT

Magnetic Resonance Spectroscopy (MRS) provides valuable information to help with the identification and understanding of brain tumors, yet MRS is not a widely available medical imaging modality. Aiming to counter this issue, this research draws on the advancements in machine learning techniques in other fields for the generation of artificial data. The generated methods were tested through the evaluation of their output against that of a real-world labelled MRS brain tumor data-set. Furthermore the resultant output from the generative techniques were each used to train separate traditional classifiers which were tested on a subset of the real MRS brain tumor dataset. The results suggest that there exist methods capable of producing accurate, ground truth based MRS voxels. These findings indicate that through generative techniques, large datasets can be made available for training deep, learning models for the use in brain tumor diagnosis.

研究の動機と目的

• 機械学習モデルを用いて合成データを生成することで、ラベル付きMRS脳腫瘍データの不足を解決すること。
• 線形（PMM）、非線形（GAN）、深層学習（DCGAN）モデルが、現実的でリアルなMRSス toward 生成できるかを評価すること。
• 生成されたデータが、実データで訓練されたモデルと同等の性能を示すように、従来の分類器を効果的に訓練できるかを評価すること。
• 定量的指標と視覚的検査を用いて、生成されたMRS信号と実際の基準データとの類似度（忠実度）を評価すること。
• 合成MRSデータを用いて深層学習モデルを訓練し、脳腫瘍分類に用いることの可能性を検討すること。

提案手法

• 正常、低悪性度、高悪性度腫瘍のスペクトル係数を組み合わせることで、線形混合モデルに基づく修正されたMRS脳腫瘍分類器（PMM）を訓練し、合成MRSス toward を生成した。
• 深層畳み込み生成対抗ネットワーク（GAN）を実装し、生成器と識別器の両方に深層畳み込み層を用いて、現実的なMRS信号分布を学習・生成した。
• 同様のアーキテクチャを持つが、より深い、複雑な層を有する深層畳み込みGAN（DCGAN）を適用し、特徴の学習を向上させた。
• 各モデル（PMM、GAN、DCGAN）から生成されたデータを用いて、それぞれ別個のランダムフォレスト分類器を訓練し、組織のグレード（正常、低悪性度、高悪性度）を分類した。
• 保持された実MRSテストセットを用いて分類器の性能を評価し、生成信号と実際の基準信号の平均との間で平均二乗誤差（MSE）を計算した。
• 生成されたスペクトルの定性的および定量的分析を実施し、形状の忠実度、表現力、ドメイン適合性を評価した。

実験結果

リサーチクエスチョン

• RQ1 生成モデルは、実際の脳腫瘍MRSデータと同等に現実的で代表的な合成MRSスペクトルを生成できるか？
• RQ2 実データで訓練されたモデルと比較して、合成データで訓練されたモデルの分類精度はどの程度か？
• RQ3 線形（PMM）、非線形（GAN）、深層学習（DCGAN）のうち、どの生成モデルが最も正確で表現力のあるMRSスペクトルを生成するか？
• RQ4 MSEと視覚的類似度を用いて測定した場合、生成スペクトルは実MRSデータのスペクトル特性をどの程度保持しているか？
• RQ5 これらのモデルが生成する合成MRSデータは、実データで訓練されたモデルと同等の性能を示す分類器を効果的に訓練できるか？

主な発見

• GANで生成されたデータを用いてランダムフォレストを訓練した場合、正常組織分類で97.5%、低悪性度腫瘍で97%の分類精度を達成し、DCGANを上回り、基準モデル（GT）に最も近い性能を示した。
• PMMモデルは、実データとの形状類似度が最も高く、平均二乗誤差（MSE）が正常組織で0.002、低悪性度で0.004、高悪性度で0.071と最小であったため、平均信号への忠実度が最も高かった。
• DCGANモデルは最も悪い結果を示し、低悪性度腫瘍で66%、正常および高悪性度組織で71%の分類精度にとどまり、MSEが正常組織で5.148、高悪性度で12.001と最も高かった。これは、信号品質が低く、実データから大きく逸脱していることを示している。
• 精度が低くても、DCGANはスペクトルに高いばらつきを示しており、これは過学習またはモード崩壊の可能性を示しており、GANのトレーニング不安定性と一致する。
• 視覚的検査（図4の信号プロットによる確認）から、GANモデルはDCGANに比べて優れた表現力と形状の一貫性を示した。
• 実データで訓練されたランダムフォレスト（GT）は、正常組織で96%、低悪性度で95%、高悪性度で95%の精度を示し、性能のベンチマークとして機能した。GANで生成されたデータは、この性能に最も近い結果を達成した。