[論文レビュー] Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems

Kai Packhäuser, Lukas Folle+2 more|arXiv (Cornell University)|Nov 2, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 12

ひとこと要約

本稿では、胸部画像異常分類器の学習に用いる高品質で匿名化されたクラス条件付き胸部レントゲン画像を生成するため、潜在拡散モデル（LDM）に基づく手法を提案する。バイオメトリクス漏洩を防止するプライバシー強化型サンプリング戦略を採用することで、実データ学習と比較してAUCで3.5%の性能ギャップ（78.1% 対 81.6%）にとどまり、医療AIにおける合成データの強力な実現可能性を示している。

ABSTRACT

The availability of large-scale chest X-ray datasets is a requirement for developing well-performing deep learning-based algorithms in thoracic abnormality detection and classification. However, biometric identifiers in chest radiographs hinder the public sharing of such data for research purposes due to the risk of patient re-identification. To counteract this issue, synthetic data generation offers a solution for anonymizing medical images. This work employs a latent diffusion model to synthesize an anonymous chest X-ray dataset of high-quality class-conditional images. We propose a privacy-enhancing sampling strategy to ensure the non-transference of biometric information during the image generation process. The quality of the generated images and the feasibility of serving as exclusive training data are evaluated on a thoracic abnormality classification task. Compared to a real classifier, we achieve competitive results with a performance gap of only 3.5% in the area under the receiver operating characteristic curve.

研究の動機と目的

• 画像に埋め込まれたバイオメトリクス情報による公に共有された胸部X線画像データセットにおける患者再特定の課題に対処すること。
• 臨床的に関連するクラス固有のパターンを保持しつつ、合成胸部レントゲン画像を生成するプライバシー保護型手法を開発すること。
• 潜在拡散モデルを用いて生成された完全な合成データセットのみで、頑健な胸部異常分類モデルを効果的に学習できるかどうかを評価すること。
• LDMおよびPGGANから生成された合成データで学習した分類器の性能を、実データで学習した分類器と比較すること。
• 画像生成中に患者固有のバイオメトリクス識別子が転送されないよう、厳密なサンプリング戦略を提案・検証すること。

提案手法

• 56,352枚の匿名化済み、単一病変、成人専用（年齢＞21歳）の画像から成るChestX-ray14データセットの前処理済みサブセットを用いて、潜在拡散モデル（LDM）を学習する。
• LDMは、画像を64×64×3の潜在空間に圧縮するためのVQ-VAEを用い、その後に1,000ステップのノイズ除去を実行するU-Netベースの拡散モデルを採用する。
• 実際の患者からバイオメトリクス情報が不測のうちにエンコードされる可能性のある合成画像を除外するため、プライバシー強化型サンプリング戦略を実装する。
• 14の病変＋健康状態の合計15のラベルのうちの1つを条件として用いることで、特定の異常を有する画像の生成を実現する。
• 品質と有用性の評価のため、比較用にベースラインのPGGANを学習し、利用する。
• 分類器はバイナリクロスエントロピー損失とSGDを用いて学習し、10回の独立実験で共通の実データテストセットを用いて評価する。

Fig. 1 : Illustration of the anonymous image generation process using the proposed privacy-enhancing sampling strategy. We apply generative modeling (1) techniques to synthesize chest radiographs. We then use patient retrieval (2) and verification (3) networks to ensure the non-transference of biome

実験結果

リサーチクエスチョン

• RQ1 潜在拡散モデルは、臨床的に関連する病変パターンを保持した高精細でクラス条件付きの胸部レントゲン画像を生成できるか？
• RQ2 提案されたプライバシー強化型サンプリング戦略は、実患者のバイオメトリクス識別子が合成画像に転送されるのを効果的に防止できるか？
• RQ3 LDMで生成された合成データのみで学習した胸部異常分類器の性能は、実データで学習した場合と比較してどうなるか？
• RQ4 LDMで生成された画像は、PGGANで生成された画像と比べて、画像品質および下流分類タスクの有用性において優れているか？
• RQ5 LDMを用いて生成された合成データは、患者のプライバシーを確保しつつ、医療AIモデルの学習における実データの代替として実用可能か？

主な発見

• LDMで生成された合成データセットは、胸部異常分類タスクにおいて平均AUC 78.1%を達成し、実データベースライン（AUC 81.6%）と比較して3.5%の性能ギャップを示した。
• PGGANで生成された合成データで学習した分類器は著しく性能が低く、平均AUC 71.9%にとどまり、クラス固有の情報がうまく伝わっていないことが示された。
• 定性的な分析から、LDMで生成された画像は、現実的な解剖学的構造と明確に可視化された病変を示しており、優れた画像品質を有している一方、PGGANで生成された画像はアーティファクトや解剖学的歪みを示していた。
• 一部の病変（浸潤およびヘルニア）に関しては、LDMベースの分類器が実データベースラインを上回る性能を示した。これは、合成データがモデルの一般化能力を向上させる可能性を示唆している。
• プライバシー強化型サンプリング戦略により、生成プロセス中に患者固有のパターンを学習するのを防ぐことで、バイオメトリクス再特定のリスクが効果的に低減された。
• 結果として、LDMを用いて高品質で匿名化され、クラス条件付きの合成胸部X線画像を信頼性高く生成でき、強固なプライバシー保証のもとで診断モデルの効果的学習が可能であることが示された。

(a) Infiltration