[論文レビュー] Inception Augmentation Generative Adversarial Network

Saman Motamed, Farzad Khalvati|arXiv (Cornell University)|Jun 5, 2020

COVID-19 diagnosis using AI参考文献 22被引用数 4

ひとこと要約

本稿では、トレーニング中に正常および肺炎画像の両方を活用することで、リアルな肺炎クラスの胸部X線画像を生成するインセプション拡張生成対抗ネットワーク（IAGAN）を提案する。GANを用いて特定の異常検出タスクのデータ拡張を行うことで、AnoGANの性能が向上し、小規模データセットにおける肺炎検出でAUCが0.83から0.88に向上した。

ABSTRACT

Successful training of convolutional neural networks (CNNs) requires a substantial amount of data. With small datasets, networks generalize poorly. Data Augmentation techniques improve the generalizability of neural networks by using existing training data more effectively. Standard data augmentation methods, however, produce limited plausible alternative data. Generative Adversarial Networks (GANs) have been utilized to generate new data and improve CNN performance. Nevertheless, generative models have not been used for augmenting data to improve the training of another generative model. In this work, we propose a new GAN architecture for semi-supervised augmentation of chest X-rays for the detection of pneumonia. We show that the proposed GAN can augment data for a specific class of images (pneumonia) using images from both classes (pneumonia and normal) in an image domain (chest X-rays). We demonstrate that using our proposed GAN-based data augmentation method significantly improves the performance of the state-of-the-art anomaly detection architecture, AnoGAN, in detecting pneumonia in chest X-rays, increasing AUC from 0.83 to 0.88.

研究の動機と目的

• 小規模な医療画像データセットでトレーニングされたCNNの一般化性能が低い問題に対処すること。特に、胸部X線における肺炎検出に関して。
• 標準的なデータ拡張の限界を克服すること。標準的な手法は、既存データのわずかな、現実的でない変化しか生成しない。
• 生成モデルをデータ生成のためのものとしてだけでなく、別の生成モデルのトレーニングに用いるデータ拡張のツールとして活用することを検討すること。
• 独自のGANアーキテクチャを用いたクラス特異的データ拡張により、最先端の異常検出モデルAnoGANの性能を向上させること。

提案手法

• 提案されたIAGANアーキテクチャは、正常および肺炎画像を条件として用いる条件付きGANフレームワークを採用し、合成された肺炎様の胸部X線画像を生成する。
• 特徴表現学習の向上と生成画像の質の向上を図るため、インセプションモジュールを組み込む。
• 生成器は、解剖学的に妥当で疾患パターンを保持するクラス特異的で現実的な拡張データを生成するように訓練される。
• 識別器は、実画像と生成画像を区別する一方で、ターゲットの異常検出モデル（AnoGAN）の特徴空間にもガイドされるように訓練される。
• 本手法は、半教師あり学習戦略を採用し、ラベル付きの正常および肺炎画像を用いて、クラス特異的拡張のためのGANを訓練する。
• 生成されたデータは、AnoGANのファインチューニングに使用され、低データ環境下での異常検出能力の向上が図られる。

実験結果

リサーチクエスチョン

• RQ1 GANを、下流の異常検出モデルのための現実的でクラス特異的なデータ拡張に効果的に使用できるか？
• RQ2 GANベースのデータ拡張は、小規模な胸部X線データセットにおける肺炎検出において、AnoGANの性能を向上させるか？
• RQ3 GANは、正常および肺炎画像の両方を活用して、妥当な合成肺炎画像を生成し、データ拡張に用いることができるか？
• RQ4 本手法であるIAGANは、標準的なデータ拡張技術と比較して、肺炎検出におけるAUC向上の観点でどのように差をつけるか？

主な発見

• 提案されたIAGANベースのデータ拡張は、胸部X線における肺炎検出におけるAnoGANの性能を顕著に向上させた。
• IAGANが生成したデータでトレーニングした場合、AnoGANのAUCは0.83から0.88に上昇し、検出能力の明確な向上が示された。
• 生成された画像は現実的で、疾患特異的なパターンを保持しており、トレーニング中の一般化に効果的であった。
• 本手法は、より多様で現実的なトレーニングサンプルを生成することで、標準的なデータ拡張技術を上回った。