[論文レビュー] Multi-Task Generative Adversarial Network for Handling Imbalanced Clinical Data

Mina Rezaei, Haojin Yang+1 more|arXiv (Cornell University)|Nov 22, 2018

AI in cancer detection参考文献 16被引用数 11

ひとこと要約

本論文は、臨床的データにおけるクラス不均衡問題に対処するために、医用画像のセマンティックセグメンテーションと疾患分類を統合して行うマルチタスク生成対抗ネットワーク（GAN）を提案する。選択的重み付き損失を条件付きGANフレームワークに統合することで、生成器がセグメンテーション出力と分類出力を生成し、識別器が本物の出力と生成された出力を区別する。このモデルは、ACDC-2017で最先端の性能を達成し、BraTS-2017でも競争力のある結果を示した。膠腫瘍分類の正確さは98.61%、心筋セグメンテーションの正確さは94%であった。

ABSTRACT

We propose a new generative adversarial architecture to mitigate imbalance data problem for the task of medical image semantic segmentation where the majority of pixels belong to a healthy region and few belong to lesion or non-health region. A model trained with imbalanced data tends to bias towards healthy data which is not desired in clinical applications. We design a new conditional GAN with two components: a generative model and a discriminative model to mitigate imbalanced data problem through selective weighted loss. While the generator is trained on sequential magnetic resonance images (MRI) to learn semantic segmentation and disease classification, the discriminator classifies whether a generated output is real or fake. The proposed architecture achieved state-of-the-art results on ACDC-2017 for cardiac segmentation and diseases classification. We have achieved competitive results on BraTS-2017 for brain tumor segmentation and brain diseases classification.

研究の動機と目的

• 健康組織が病変領域に比べて著しく多い、医用画像セグメンテーションにおけるクラス不均衡の課題に対処すること。
• トレーニング中に多数クラス（健康）に偏るバイアスを軽減することで、少数クラス（異常）に対するモデルの感受性を向上させること。
• 臓器および異常組織のセマンティックセグメンテーションと疾患分類を統合して行う、包括的なディーブラーニングフレームワークの開発。
• 共有された特徴表現を通じて、セグメンテーションと分類の両タスクのパフォーマンスを向上させるマルチタスク学習を活用すること。
• ACDC-2017およびBraTS-2017といった実世界の臨床ベンチマークを、標準的な評価プロトコルに従って評価すること。

提案手法

• 提案されたアーキテクチャは、2次元マルチモodal MRIシーケンスをセマンティックセグメンテーションマップと疾患分類出力にマップする条件付きGANを採用している。
• 識別器は、生成器の出力が本物（真値）か偽物（生成）かを、ピクセルごとの対抗損失を用いて評価する。
• セグメンテーションに選択的重み付きカテゴリカル交差エントロピー損失を適用し、クラス重みをクラス頻度の逆数に設定し、極端な値を避けるために平方根正規化を施している。
• 疾患分類のための追加的な重み付きℓ1損失を用いて、クラス不均衡に対処している。
• 生成器および識別器に双方向LSTMを組み込み、連続するMRIスライスにおける時間的依存性をモデル化している。
• 全体の損失は、対抗損失、セグメンテーション損失、分類損失を組み合わせており、マルチタスクネットワークのエンドツーエンド学習を可能にしている。

実験結果

リサーチクエスチョン

• RQ1 データレベルのリサンプリングに依存せずに、マルチタスクGANアーキテクチャが医用画像セグメンテーションにおけるクラス不均衡を効果的に緩和できるか。
• RQ2 選択的重み付き損失の統合が、セマンティックセグメンテーションにおける少数クラス（病変）への感受性をどのように向上させるか。
• RQ3 セグメンテーションと疾患分類の共同学習が、単一タスクモデルと比較して両タスクのパフォーマンスをどの程度向上させるか。
• RQ4 対抗訓練を伴う条件付きGANを用いることで、臨床画像におけるセグメンテーション出力の現実性と正確性が向上するか。
• RQ5 標準化されたベンチマーク、ACDC-2017およびBraTS-2017において、本手法は最先端のモデルと比較してどのように性能を発揮するか。

主な発見

• 提案手法は、BraTS-2017において高悪性度および低悪性度膠腫瘍の分類で98.61%の正確さを達成し、先行するカスケードアーキテクチャを上回った。
• ACDC-2017では、左心室のDiceスコアが0.95、右心室が0.93、心筋が0.92であり、それぞれHausdorff距離は8.11 mm、8.17 mm、8.38 mmであった。
• 心臓セグメンテーションの正確さは94%に達し、ACDCベンチマークで複数の上位ランク手法を上回った。
• 選択的重み付き損失の使用により、少数クラスへの感受性が顕著に向上し、BraTS-2017における全腫瘍領域の感受性は87%、強化腫瘍は88%であった。
• 155スライスの脳MRIあたりの推論時間はわずか58秒で、臨床応用における実用性を示した。
• ACDC-2017における定性的な結果は、左心室（赤）、右心室（青）、心筋（緑）の正確なセグメンテーションを示しており、異常領域における誤検出は最小限に抑えられていた。