[論文レビュー] High-Resolution Mammogram Synthesis using Progressive Generative Adversarial Networks

Dimitrios Korkinof, Tobias Rijken+4 more|arXiv (Cornell University)|Jul 9, 2018

Generative Adversarial Networks and Image Synthesis参考文献 27被引用数 41

ひとこと要約

本論文は、 progressively trained GANs によって高解像度の合成全 field digital mammograms (FFDMs) を生成し、1280x1024 ピクセルを達成するとともに、医用画像合成の訓練安定性を改善する。

ABSTRACT

The ability to generate synthetic medical images is useful for data augmentation, domain transfer, and out-of-distribution detection. However, generating realistic, high-resolution medical images is challenging, particularly for Full Field Digital Mammograms (FFDM), due to the textural heterogeneity, fine structural details and specific tissue properties. In this paper, we explore the use of progressively trained generative adversarial networks (GANs) to synthesize mammograms, overcoming the underlying instabilities when training such adversarial models. This work is the first to show that generation of realistic synthetic medical images is feasible at up to 1280x1024 pixels, the highest resolution achieved for medical image synthesis, enabling visualizations within standard mammographic hanging protocols. We hope this work can serve as a useful guide and facilitate further research on GANs in the medical imaging domain.

研究の動機と目的

• progressively trained GANs を用いて現実的な高解像度マンモグラム生成の実現性を示す。
• 高解像度医用画像合成の訓練安定性を改善する。
• FFDM 生成のデータ前処理、訓練戦略、および評価に関する指針を提供する。

提案手法

• GANs の progressive growing を採用し、訓練中に画像解像度を段階的に増加させる。
• 訓練を安定化させるために Gradient Penalty を用いた Wasserstein GAN を用いる。
• 生成器をマンモグラムのビュー（CC vs MLO）で条件付けし、現実感を向上させる。
• ハンギングプロトコルを保持したまま 1280x1024 に適合するようデータを前処理する。
• 訓練データ量を 150k から 450k に増やし、学習率と識別器の更新回数を調整して安定性を高める。
• Sliced Wasserstein distance などの指標と定性的なアーティファクト分析で出力を評価する。

実験結果

リサーチクエスチョン

• RQ1 progressively trained GANs は臨床的な視覚化に適した現実的で高解像度の FFDMs を生成できるか。
• RQ2 医用画像の非常に高解像度での GAN 最適化を安定化させる訓練戦略は何か。
• RQ3 マンモグラムのビューで条件付けることは生成された CC および MLO の現実感にどう影響するか。

主な発見

• 生成された FFDMs は論文で報告された医用画像合成としては最高となる 1280x1024 ピクセルに到達した。
• 合成画像は画像間の変動と現実感がかなりあり、識別可能なアーティファクトやビュー特有の課題がある。
• MLO ビューは解剖学的変動が大きいためモデリングが難しい。
• 移行サイズの変化やインプラント再現といったアーティファクトが発生するが、訓練の調整で緩和可能である。
• 訓練データを増やしビューで条件付けることが生成の安定性と現実感を高める。
• マルチGPU（8× V100）環境で訓練することで、長時間の訓練においても目的解像度を達成できる。