[論文レビュー] Markov-Chain Monte Carlo Approximation of the Ideal Observer using Generative Adversarial Networks

Weimin Zhou, Mark A. Anastasio|arXiv (Cornell University)|Jan 26, 2020

Generative Adversarial Networks and Image Synthesis参考文献 16被引用数 6

ひとこと要約

本稿では、マークフ・チェーン・モンテカルロ（MCMC）手法と生成的対抗ネットワーク（GAN）を組み合わせることで、複雑な確率的オブジェクトモデル（SOM）をモデル化し、医用画像診断における理想観測者（IO）性能を近似する新規手法を提案する。背景画像の学習にGANを用い、GANの潜在空間でMCMCサンプリングを実行することで、信号既知正確（SKE）および信号既知統計的（SKS）タスクの両方において、従来のMCMCと類似した結果を得ることができ、ラumpy背景モデル上でのIO推定が高精度で可能である。

ABSTRACT

The Ideal Observer (IO) performance has been advocated when optimizing medical imaging systems for signal detection tasks. However, analytical computation of the IO test statistic is generally intractable. To approximate the IO test statistic, sampling-based methods that employ Markov-Chain Monte Carlo (MCMC) techniques have been developed. However, current applications of MCMC techniques have been limited to several object models such as a lumpy object model and a binary texture model, and it remains unclear how MCMC methods can be implemented with other more sophisticated object models. Deep learning methods that employ generative adversarial networks (GANs) hold great promise to learn stochastic object models (SOMs) from image data. In this study, we described a method to approximate the IO by applying MCMC techniques to SOMs learned by use of GANs. The proposed method can be employed with arbitrary object models that can be learned by use of GANs, thereby the domain of applicability of MCMC techniques for approximating the IO performance is extended. In this study, both signal-known-exactly (SKE) and signal-known-statistically (SKS) binary signal detection tasks are considered. The IO performance computed by the proposed method is compared to that computed by the conventional MCMC method. The advantages of the proposed method are discussed.

研究の動機と目的

• 従来の解析的モデルにとどまらない、複雑なデータ駆動型確率的オブジェクトモデル（SOM）に対して、MCMCに基づく理想観測者近似の適用範囲を拡張すること。
• 複雑な背景変動を伴う現実的な医用画像診断タスクにおいて、解析的IO計算が困難である問題を解決すること。
• 深層生成モデル（GAN）を用いてSOMを表現し、尤度比推定に向けたMCMCサンプリングを可能にする汎用的なフレームワークの構築。
• SKEおよびSKS信号検出タスクの両方において、標準的なラumpy背景モデルに対して、提案手法のMCMC-GANと従来のMCMCとの比較を実施すること。

提案手法

• 10万枚のラumpy背景画像から成るデータセットを用いて、生成的対抗ネットワーク（GAN）を訓練し、背景の変動性を表す確率的オブジェクトモデル（SOM）を学習する。
• GANの生成器ネットワークは、低次元の潜在ベクトルzを合成背景画像b = G(z; ΘG)にマッピングする。これにより、学習済み背景分布からのサンプリングが可能になる。
• 訓練済みGANの潜在空間において、マークフ・チェーン・モンテカルロ（MCMC）手法、特にランダム・ウォーク・メトロポリス・ハスティングス（RWMH）アルゴリズムを適用し、事後分布p(z|g, H₀)からのサンプリングを実行する。
• SKEタスクでは、MCMCサンプルのzについて、BKE尤度比ΛBKE(g|b(z))の平均値を用いて尤度比を近似する。
• SKSタスクでは、潜在ベクトルzと信号パラメータαの両方を同時にサンプリングし、BSKE尤度比の平均値を用いて尤度比を推定する。
• MCMCチェインは100,000イテレーション、1,000ステップのバーンインを実行し、受信者操作特性（ROC）曲線を生成・フィッティングする際にはMetz-ROCソフトウェアを用いる。

実験結果

リサーチクエスチョン

• RQ1 生成的対抗ネットワーク（GAN）で学習された確率的オブジェクトモデル（SOM）に対して、MCMC手法を効果的に適用し、理想観測者（IO）性能を近似できるか？
• RQ2 標準的なラumpy背景モデルに適用した場合、提案手法のMCMC-GANと従来のMCMC手法との性能はどのように比較されるか？
• RQ3 MCMC-GANフレームワークは、信号既知正確（SKE）および信号既知統計的（SKS）検出タスクの両方を処理できるか？
• RQ4 解析的または従来のサンプリングベースの手法と比較して、GANで学習されたSOMを用いたIO性能推定の正確さはどの程度か？
• RQ5 本フレームワークは、従来のMCMCアプローチでは対応が困難な、より複雑で現実的なオブジェクトモデルへ一般化可能か？

主な発見

• MCMC-GAN手法は、SKEおよびSKSタスクの両方において、ラumpy背景モデル上での従来のMCMC手法と類似したROC曲線およびAUC値を生成した。
• SKE検出タスクでは、MCMC-GAN手法によるAUC値は0.921であり、従来のMCMC手法の0.923とほぼ同一であった。
• SKS検出タスクでは、MCMC-GAN手法によるAUC値は0.854であり、従来のMCMC手法の0.856と非常に近い結果であった。
• 本手法は、GANの潜在空間におけるMCMCサンプリングを成功裏に実行でき、複雑でデータ駆動型のSOMがIO近似に利用可能であることを示した。
• 本アプローチは、GANで学習可能な任意のオブジェクトモデルに一般化可能であり、MCMCに基づくIO推定の適用範囲を単純な解析的モデルを超えて拡張した。
• 異なるiableなGAN生成器により、MALAやHMCのような勾配情報を提案分布に組み込むことが可能であり、より効率的なサンプリングが実現可能である。