[論文レビュー] Interpretation of Disease Evidence for Medical Images Using Adversarial Deformation Fields

Ricardo Bigolin Lanfredi, Joyce Schroeder+2 more|arXiv (Cornell University)|Jul 3, 2020

Cell Image Analysis Techniques参考文献 41被引用数 8

ひとこと要約

本論文では、病変を有する医用画像を健康な画像に変形させる変形場を生成することで、空間的疾患証拠を明らかにする、敵対的に訓練された生成ネットワークを用いた新規手法DeFI-GANを提案する。この手法は縦断的画像検証においてベースライン手法を上回り、従来の手法では検出できない臨床的関連性のあるバイオマーカーや潜在的データセットバイアスを特定する。

ABSTRACT

The high complexity of deep learning models is associated with the difficulty of explaining what evidence they recognize as correlating with specific disease labels. This information is critical for building trust in models and finding their biases. Until now, automated deep learning visualization solutions have identified regions of images used by classifiers, but these solutions are too coarse, too noisy, or have a limited representation of the way images can change. We propose a novel method for formulating and presenting spatial explanations of disease evidence, called deformation field interpretation with generative adversarial networks (DeFI-GAN). An adversarially trained generator produces deformation fields that modify images of diseased patients to resemble images of healthy patients. We validate the method studying chronic obstructive pulmonary disease (COPD) evidence in chest x-rays (CXRs) and Alzheimer's disease (AD) evidence in brain MRIs. When extracting disease evidence in longitudinal data, we show compelling results against a baseline producing difference maps. DeFI-GAN also highlights disease biomarkers not found by previous methods and potential biases that may help in investigations of the dataset and of the adopted learning methods.

研究の動機と目的

• 医用画像の深層学習モデルにおける疾患証拠について、細分化され、空間的に一貫性のある説明が不足している問題に対処すること。
• 既存の視覚的属性割り当て手法の限界を克服すること。これらの手法はしばしば粗く、ノイズが多く、病気が引き起こす解剖学的形状・サイズの変化を正しく表現できないことがある。
• 疾患の同定に寄与する、現実的で空間的に意味のある変形を生成する手法を開発すること。特に形態的変化に注目する。
• 縦断的データを用いて、胸部レントゲン画像における慢性閉塞性肺疾患（COPD）および脳MRIにおけるアルツハイマー病（AD）に対して、本手法を検証すること。
• 変形場の解釈を通じて、潜在的なモデルバイアスおよび臨床的関連性のあるバイオマーカーを同定すること。

提案手法

• DeFI-GANは、生成敵対ネットワーク（GAN）フレームワークを採用し、生成器が病変画像（x1）を変換して健康に見えるように修正画像（x̂0）を生成する。
• 生成器Gは入力画像x1をベクトル場φにマッピングし、修正画像は双線形／三線形補間により計算される：x̂0(p) = x1(p + φ(p))。
• 批判者Dは、実際の健康画像（x0）と生成された修正画像（x̂0）を識別するように訓練され、WGAN損失の定式化により学習安定性を確保する。
• 勾配ペナルティ（LRegD）は、WGANに必要なリプシッツ制約を強制し、学習収束性を向上させる。
• 全変動正則化（LRegG）は、複雑で現実的でない変形をペナルティ処理し、滑らかで解剖学的に妥当な出力場を促進する。
• 最適化は、生成器のための結合損失（LG + λRegG·LRegG）と批判者のための損失（LD + λRegD·LRegD）を最小化することで実現される。

実験結果

リサーチクエスチョン

• RQ1 従来の視覚的属性割り当て手法と比較して、変形場は医用画像における疾患証拠の解釈をより正確かつ空間的に一貫性を持って行えるか？
• RQ2 VA-GANなどのベースライン手法と比較して、DeFI-GANは縦断的予測性能を向上させるか？
• RQ3 差分マップに基づく手法では見逃されがちな、変形場解析によって明らかにされる臨床的関連性のあるバイオマーカーまたは予期しないバイアスは何か？
• RQ4 加法的摂動に基づく手法と比較して、DeFI-GANが生成する変形場は解釈可能性および解剖学的妥当性において優れているか？
• RQ5 DeFI-GANは、従来のレントゲン画像レポートで強調されない、微細で直感的でない解剖的変化を特定できるか？

主な発見

• DeFI-GANはVA-GANベースラインを縦断的画像検証で上回り、COPDデータセットでは平均NCCスコア0.825、ADNIデータセットでは0.781を達成し、修正画像が健康画像と良好に一致していることを示した。
• VA-GANがノイズが多く不自然な差分マップを生成するのに対し、DeFI-GANは滑らかで空間的に一貫性のある変形場を生成した。
• DeFI-GANは、既知のCOPDバイオマーカー（剣剣状気管、横隔膜上昇、軟部組織肥厚）を明確に特定したが、VA-GAN出力ではそれらが目立たなかった。
• 予期しないが臨床的に関連性のある変化として、胃泡サイズの減少や鎖骨位置の上昇が同定され、これらは被検者姿勢バイアスや骨粗鬆症などの合併症を示す可能性がある。
• ADにおいて、海馬、中挿入部、小脳、脳幹における萎縮が確認され、既知の神経変性パターンと整合的であり、微細な脳室拡張も明確に可視化された。
• DeFI-GANは、肺尖部体積の変化や肩の位置の変化といった潜在的データセットバイアスを特定した。これらは撮影アーティファクトや咳きや運動障害などの被検者要因に起因する可能性がある。