[論文レビュー] MammoGANesis: Controlled Generation of High-Resolution Mammograms for Radiology Education

Cyril Zakka, Ghida Saheb+2 more|arXiv (Cornell University)|Oct 11, 2020

AI in cancer detection参考文献 22被引用数 7

ひとこと要約

本稿では、MammoGANesisを提案する。これは、スタイリスティックなGAN（StyleGAN2）に基づく生成的敵対ネットワークであり、グローバル（例：撮影視野、乳房密度）およびローカル（例：石灰化、腫瘍）属性に対して分離可能な制御が可能な高解像度（512×512）のマンモグラムを合成する。4名の専門放射線科医による二重盲検試験において、平均AUCが0.54を記録した。これは、生成画像が実際の画像と視覚的に区別できないことを示しており、放射線科教育および合成データ生成分野における強力な潜在的可能性を示している。

ABSTRACT

During their formative years, radiology trainees are required to interpret hundreds of mammograms per month, with the objective of becoming apt at discerning the subtle patterns differentiating benign from malignant lesions. Unfortunately, medico-legal and technical hurdles make it difficult to access and query medical images for training. In this paper we train a generative adversarial network (GAN) to synthesize 512 x 512 high-resolution mammograms. The resulting model leads to the unsupervised separation of high-level features (e.g. the standard mammography views and the nature of the breast lesions), with stochastic variation in the generated images (e.g. breast adipose tissue, calcification), enabling user-controlled global and local attribute-editing of the synthesized images. We demonstrate the model's ability to generate anatomically and medically relevant mammograms by achieving an average AUC of 0.54 in a double-blind study on four expert mammography radiologists to distinguish between generated and real images, ascribing to the high visual quality of the synthesized and edited mammograms, and to their potential use in advancing and facilitating medical education.

研究の動機と目的

• 放射線科教育における医療的・法的およびプライバシー的制約から、アクセス可能で高品質なマンモグラムトレーニングデータの不足に対処する。
• グローバル（例：撮影視野、乳房密度）およびローカル（例：石灰化、腫瘍）画像特徴に対して制御可能で分離可能な属性を持つ、リアルな高解像度（512×512）マンモグラムを生成できる生成モデルを開発する。
• 教育的用途を想定し、グローバル（例：撮影視野、乳房密度）およびローカル（例：石灰化、腫瘍）画像特徴のユーザー制御による編集を可能にする。
• 専門放射線科医による二重盲検試験を通じて、生成画像の視覚的忠実度を評価し、現実性と臨床的妥当性を検証する。

提案手法

• AUBMCの52枚の実際のマンモグラムから成る匿名化済みデータセットを用い、IRB承認のもとでスタイリスティックGAN（StyleGAN2）を訓練した。
• StyleGAN2の分離可能な潜在空間を活用し、W潜在空間の主成分分析を用いて、グローバル属性（例：MLO視野、乳房密度）の独立した制御を可能にした。
• 特徴量の変更に伴う解剖学的整合性の維持を図るため、合成ネットワークの特定の層を操作することでローカル編集（石灰化、腫瘍など）を実施した。
• 生成の安定化とサンプル品質の向上のため、再パラメータ化された切断法を用い、すべてのサンプルで0.65の切断値を設定した。
• 評価用に、31枚の合成および17枚の編集済みマンモグラムを生成し、最終的なデータセットを構築した。
• 専門放射線科医4名を対象に二重盲検の視覚的チューリングテストを実施し、現実性の評価を含む二値分類および画像識別タスクを実施した。

実験結果

リサーチクエスチョン

• RQ1 GANモデルは、専門放射線科医ですら視覚的に区別できない高解像度（512×512）のマンモグラムを生成できるか？
• RQ2 グローバルおよびローカル画像属性（例：撮影視野、乳房密度、石灰化）は、生成されたマンモグラムにおいてどれほど独立して分離可能で編集可能か？
• RQ3 本モデルは、制御的かつ現実的な方法で、マイクロカルシウムや腫瘍のような稀なまたは複雑な病理的特徴をどれほど効果的にシミュレートできるか？
• RQ4 経験豊富な放射線科医による二重盲検評価において、生成画像は実際の画像と信頼性を持って区別できるか？

主な発見

• モデルは多様な解剖学的および病理的特徴を有する512×512のマンモグラムを成功裏に生成し、モード崩壊の兆候は一切認めなかった。
• 二値分類タスクにおいて、4名の専門放射線科医の平均AUCは0.54であった。これは、実画像と生成画像を区別する性能がランダムな選択と同等であることを示しており、視覚的類似性が高いことを裏付けている。
• 放射線科医2はAUC 0.74を達成したが、放射線科医3および4はランダム未満（AUC < 0.5）の成績を示し、専門家の認識にばらつきがあることが明らかになった。
• 画像識別タスクでは平均で5.75ラウンドの性能が得られ、大多数の放射線科医が3回の誤答以内に生成画像を特定できなかった。
• 放射線科医2は14ラウンドまで持たせたが、これは長時間の注意を要する作業で、一部の被験者がアーチファクトや整合性の欠如を検出できた可能性を示唆している。
• 『CC』と『MLO』視野といった離散的属性の連続的潜在空間へのマッピングに課題はあったが、モデルは視覚的に整合性があり、臨床的に妥当なマンモグラムを生成した。