[論文レビュー] Latent Space Analysis of VAE and Intro-VAE applied to 3-dimensional MR Brain Volumes of Multiple Sclerosis, Leukoencephalopathy, and Healthy Patients

Christopher Vogelsanger, Christian Federau|arXiv (Cornell University)|Jan 17, 2021

Brain Tumor Detection and Classification被引用数 7

ひとこと要約

本研究では、複数の疾患を有する複数のMS、白質脳症、健常者からのFLAIR MRIボリュームの潜在空間解析に3次元可変オートエンコーダー（VAE）およびIntro-VAEを適用した。LDAを用いた潜在空間解析により、I256モデルがMSと他の疾患を区別する際、92%の正確性と89%の再現率を達成した。これは、データセットバイアスにもかかわらず疾患特異的特徴が明らかになったことを示している。

ABSTRACT

Multiple Sclerosis (MS) and microvascular leukoencephalopathy are two distinct neurological conditions, the first caused by focal autoimmune inflammation in the central nervous system, the second caused by chronic white matter damage from atherosclerotic microvascular disease. Both conditions lead to signal anomalies on Fluid Attenuated Inversion Recovery (FLAIR) magnetic resonance (MR) images, which can be distinguished by an expert neuroradiologist, but which can look very similar to the untrained eye as well as in the early stage of both diseases. In this paper, we attempt to train a 3-dimensional deep neural network to learn the specific features of both diseases in an unsupervised manner. For this manner, in a first step we train a generative neural network to create artificial MR images of both conditions with approximate explicit density, using a mixed dataset of multiple sclerosis, leukoencephalopathy and healthy patients containing in total 5404 volumes of 3096 patients. In a second step, we distinguish features between the different diseases in the latent space of this network, and use them to classify new data.

研究の動機と目的

• 3次元FLAIR MRIボリュームにおけるMSおよび白質脳症の疾患特異的特徴が、教師なし深層生成モデルによって学習可能かどうかを調査すること。
• 健康、MS、白質脳症患者の混合データセットから、3次元MR脳画像を高精細に生成するVAEとIntro-VAEの性能を比較すること。
• 訓練済みモデルの分離可能な潜在空間を分析し、特にMSに特有のパターンが符号化され、抽出可能かどうかを検証すること。
• 潜在空間表現が、新しいデータをMS、白質脳症、健常者に正確に分類可能かどうかを評価すること。
• 収集パrameterのバイアスが、モデル学習および分類結果に与える影響を評価すること。

提案手法

• 3096名の患者から得られた5,404例の3次元FLAIR MRIボリュームを含む混合データセットを用いて、3次元VAEおよびIntro-VAEモデルを訓練した。診断カテゴリはMS、白質脳症、健常対照群の3つである。
• VAEには、再構成誤差と近似事後分布と標準正規事前分布とのKLダイバージェンスを最小化する共同訓練目的関数を用いた。
• Intro-VAEは、潜在空間における分離可能な表現を促進するための分離正則化項を導入した。
• 疾患クラス間の分離可能性を評価するために、線形判別分析（LDA）を用いた潜在空間解析を実施した。
• 画像品質および特徴の分離性に与える影響を評価するため、潜在空間次元（例：8、32、256）を系統的に変更した。
• 個々の潜在次元の効果を可視化するため、1次元を除きすべての次元をゼロに固定し、その値を変化させて生成画像の変化を観察した。

実験結果

リサーチクエスチョン

• RQ1 3次元VAEおよびIntro-VAEモデルは、MS、白質脳症、健常脳スキャンの混合データセットから、現実的でリアルなFLAIR MRIボリュームを学習・生成可能か？
• RQ2 これらのモデルの潜在空間は、MS、白質脳症、健常脳構造に特徴的な区別可能な特徴を符号化しているか？
• RQ3 潜在空間の次元が、画像品質および疾患特異的特徴の分離性に与える影響は何か？
• RQ4 潜在空間にLDAを適用することで、新しいMRIボリュームを3つの診断カテゴリに高精度に分類可能か？
• RQ5 データセット内のスキャンパラメータ（繰り返し時間、エコー時間、ピxlsバンド幅）のバイアスが、モデルが真の疾患特異的特徴を学習する能力に与える影響はどの程度か？

主な発見

• 標準VAEとは異なり、Intro-VAE（IVA）モデルは、潜在空間サイズに関係なく、はるかに詳細でぼやけの少ない画像を生成した。
• VAEでは、潜在空間次元の増加が画像品質の向上に寄与しなかった。VAEは一貫してぼやけた再構成およびサンプルを生成した。
• IVA256モデルは最高の画像品質を示し、潜在空間における疾患特異的特徴の明確な分離を示した。
• IVA256の潜在空間にLDAを適用した結果、MS検出において92%の正確性と89%の再現率を達成した。これは他のクラスとの強い分離性を示している。
• 潜在空間には解釈可能な特徴が明らかになった：次元175は側頭室の形状に影響し、次元76は画像の強度／色調に影響した。
• 特にMSスキャンに有利な繰り返し時間、エコー時間、ピxlsバンド幅のバイアスが存在するにもかかわらず、モデルは依然として疾患特異的特徴を学習した。ただし、これらのバイアスが分類性能に与える影響はまだ不明である。