[論文レビュー] One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities

Nicolas Pinon, Robin Trombetta+1 more|arXiv (Cornell University)|Apr 17, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用数 3

ひとこと要約

本論文は、正常なT1およびFLAIR画像からコンactな潜在表現を学ぶためにシames型オートエンコーダーを用い、その後潜在空間内で患者特異的なOne-Class SVM分類を実行することで、脳MRIの白色髄質病変（WMH）に対する非教師あり異常検出手法を提案する。この手法はWMHチャレンジデータセットにおいて最先端のモデルと同等の性能を達成しており、微細な病変に対して高い感受性を示す一方で、脳脊髄液（CSF）マスクにより偽陽性を低減している。

ABSTRACT

Anomaly detection remains a challenging task in neuroimaging when little to no supervision is available and when lesions can be very small or with subtle contrast. Patch-based representation learning has shown powerful representation capacities when applied to industrial or medical imaging and outlier detection methods have been applied successfully to these images. In this work, we propose an unsupervised anomaly detection (UAD) method based on a latent space constructed by a siamese patch-based auto-encoder and perform the outlier detection with a One-Class SVM training paradigm tailored to the lesion detection task in multi-modality neuroimaging. We evaluate performances of this model on a public database, the White Matter Hyperintensities (WMH) challenge and show in par performance with the two best performing state-of-the-art methods reported so far.

研究の動機と目的

• ラベル付きデータが乏しいもしくは存在しない状況下で、低コントラストで微細な白色髄質病変（WMH）を検出する課題に対処すること。
• 再構成に基づくオートエンコーダーの限界を補い、パッチベースの潜在空間における識別的外れ値検出を活用することで、非常に小さなまたは微細な病変の検出を向上させること。
• 同じ公的WMHチャレンジデータセットを用い、同一の指標とプロトコルで訓練および評価することで、最先端モデルとの公平な比較を実現すること。
• 臨床施設間でのデータ分布のズレがモデルの汎化性能に与える影響を調査すること。

提案手法

• 健康な被検者のT1およびFLAIRMRIスキャンから抽出したパッチを用い、共有重みを用いて共通の潜在表現を学ぶためにシアンス型オートエンコーダー（SAE）を訓練する。
• 各パッチについてSAEエンコーダーから潜在特徴zを抽出し、局所的かつマルチモodalな画像パターンを捉える表現空間を構築する。
• 各被検者について、自身の潜在表現のサブセットを用いてOne-Class SVM（OC-SVM）をファインチューニングし、個別に正常性境界を学習する。
• 全脳に対して推論を実行する際、すべてのパッチについてOC-SVMの意思決定スコアを計算し、高いスコアは異常を示唆する。
• 脳室および脳脊髄液領域における偽陽性を低減するために、CSFマスクを用いた後処理ステップを適用する。
• アムステルダム、シンガポール、ウトレントの複数施設のデータセットを用い、スキャナーや撮影条件の違いに対するモデルの頑健性と汎化性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 パッチベースのオートエンコーダーの潜在空間で識別的正常性境界を学習するシアンス型オートエンコーダーと患者特異的One-Class SVMを組み合わせた手法が、最先端の生成モデルと同等の性能を達成できるか？
• RQ2 パッチベースのオートエンコーダーの潜在空間において、識別的正常性境界を学習することで、再構成誤差に基づく手法に比べて微細で低コントラストなWMH病変の検出性能が向上するか？
• RQ3 臨床施設ごとのデータ分布のズレ、特にFLAIR画像において、モデルの性能にどのような影響を与えるか？
• RQ4 CSFマスクを用いた後処理によって、感受性を著しく損なわず、偽陽性がどの程度低減されるか？

主な発見

• SAE+OC-SVMモデルは、WMHチャレンジで上位2つの最先端手法と同等の性能を示し、PRO AUCが0.827に達した。これは優れた外れ値検出能力を示している。
• 患者ごとにOC-SVMをチューニングすることで、グローバルな1つのOC-SVMを用いた場合に比べて性能が著しく向上した。これは患者特異的正常性モデリングの有効性を示している。
• CSFマスクの適用により偽陽性率が著しく低下し、感受性のわずかな低下を除き、すべての指標で全体的な性能が向上した。
• すべてのモデル、包括して本手法においても、ウトレントデータセットでは性能が低下した。これは特にFLAIRシーケンスにおいて、コントロール群とテストデータの間で分布のズレが大きいことが原因である可能性が高い。
• 平均病変体積が小さいデータセット（例：アムステルダム：13.5k mm³）では、モデルの性能が低く、低負荷症例における感受性の限界が示唆された。
• 本研究は、学習済み潜在空間における識別的OC-SVMが、より小規模で均質なコントロールセットで訓練された場合でも、VQ-VAE+Transformerのような生成モデルと同等の性能を達成できることを示した。