[論文レビュー] Generative Image Translation for Data Augmentation of Bone Lesion Pathology

Anant Gupta, Srivas Venkatesh+2 more|arXiv (Cornell University)|Feb 6, 2019

AI in cancer detection参考文献 18被引用数 30

ひとこと要約

本稿では、希少な骨疾患分類におけるデータ不足とクラス不均衡の問題に対処するため、正常X線画像に現実的な骨病変を合成するためのサイクル整合性のある生成的敵対ネットワーク（CycleGAN）を提案する。非病変パッチを病変に似たパッチに変換し、元の画像に再統合することで、分類器の性能が著しく向上し、特に大腿骨では、上腕骨で訓練されたモデルからの転移学習を用いることでAUCが最大15%向上した。

ABSTRACT

Insufficient training data and severe class imbalance are often limiting factors when developing machine learning models for the classification of rare diseases. In this work, we address the problem of classifying bone lesions from X-ray images by increasing the small number of positive samples in the training set. We propose a generative data augmentation approach based on a cycle-consistent generative adversarial network that synthesizes bone lesions on images without pathology. We pose the generative task as an image-patch translation problem that we optimize specifically for distinct bones (humerus, tibia, femur). In experimental results, we confirm that the described method mitigates the class imbalance problem in the binary classification task of bone lesion detection. We show that the augmented training sets enable the training of superior classifiers achieving better performance on a held-out test set. Additionally, we demonstrate the feasibility of transfer learning and apply a generative model that was trained on one body part to another.

研究の動機と目的

• 希少な骨病変をX線画像から分類する際の深刻なクラス不均衡と限られた訓練データの課題に対処すること。
• 正常な解剖的構造に病理特異的な病変を現実的に合成するデータ拡張戦略の開発。
• データ不足のための専用モデルを構築することが困難な部位（例：脛骨、大腿骨）に対し、1つの骨（例：上腕骨）で訓練された生成モデルを活用して転移学習を可能にすること。
• 分類器の信頼度に基づく疑似ラベル付けを自動で行い、高品質な合成病変をフィルタリングすることで、下流のモデル性能を向上させること。

提案手法

• 正常パッチと病変パッチの間で共有された潜在空間を持つCycleGANフレームワークを用いて、非病変パッチから病変に似たパッチへの非教師付き画像対画像変換タスクとして病変生成を定式化する。
• 非病変パッチを共有潜在表現にマッピングし、その潜在表現から病変パッチを再構築するエンコーダーとジェネレータを訓練する。
• アダムブレンドを適用して、生成された病変パッチを元の完全なX線画像に滑らかに統合し、解剖学的現実性を保持する。
• ベースライン分類器を用いて生成画像に対して疑似ラベル付けを行い、信頼度スコアがしきい値（t）を超えるもののみを拡張された訓練セットに含める。
• 検証セット上でしきい値（t）を最適化し、合成サンプルの品質と数量のバランスを取る。
• 上腕骨で訓練された生成モデルを用いて、データ不足のため専用モデルを構築できない脛骨や大腿骨に対しても病変を生成することで、転移学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 生成的画像変換は、希少疾患分類におけるデータ不足を軽減するために、正常X線画像に現実的な骨病変を効果的に合成できるか？
• RQ2 合成された病変を用いて拡張されたデータで訓練された下流分類器の性能は、どのように向上するか？
• RQ3 1つの解剖学的部位（例：上腕骨）で訓練された生成モデルが、データが限られたりノイズが多い部位（例：脛骨、大腿骨）に対し、どの程度病変を生成できるか？
• RQ4 分類器の信頼度に基づく疑似ラベル付けの最適なしきい値は何か？ これは、低品質なサンプルの導入を防ぎつつ分類器性能を最大化するためのものである。

主な発見

• 疑似ラベル付けのしきい値としてt=0.9を用いた場合、上腕骨のテストセットでAUCが統計的に有意に5%向上（0.876 → 0.924）した。
• 脛骨では、脛骨固有の生成モデルを用いた場合、AUCがわずかだが一貫して約2%向上したが、上腕骨ベースライン分類器を用いた転移学習を組み合わせた場合、AUCが8%向上した。
• 大腿骨では、データの多様性と不足のため専用の生成モデルを構築することが不可能であったが、上腕骨モデルからの転移学習により、ベースライン分類器比でAUCが大幅に15%向上した。
• 性能は疑似ラベル付けのしきい値（t）に敏感であり、上腕骨ではt=0.9、大腿骨ではt=0.95で最適な性能が得られた。これはハイパーパramータの慎重なチューニングの重要性を示している。
• アブレーションスタディにより、過剰なおよび不十分な合成データの両方が性能を損なうことが確認され、信頼度に基づくフィルタリングによる品質管理の必要性が強調された。
• 結果から、転移学習により、訓練データが限られた部位に対しても効果的なデータ拡張が可能であることが示され、生成モデルの有用性がリソースが限られた医療画像分野にまで拡張可能であることが明らかになった。