[論文レビュー] ProstateGAN: Mitigating Data Bias via Prostate Diffusion Imaging Synthesis with Generative Adversarial Networks

Xiaodan Hu, Audrey G. Chung+4 more|arXiv (Cornell University)|Nov 14, 2018

Generative Adversarial Networks and Image Synthesis参考文献 13被引用数 19

ひとこと要約

ProstateGAN は、前立腺がん分類におけるデータバイアスを軽減するために、Gleason スコアを条件として用いた条件付きディープ畳み込み GAN であり、高品質で現実的な前立腺拡散 MRI 画像を合成する。ジェネレータとディスクリミネータの両方にクラスラベルを組み込むことで、がん特有の特徴（例：Gleason ≥6 の場合の暗黒領域）を有する合成画像を生成し、ディープラーニングモデルのトレーニングデータのバランスと品質を向上させる。

ABSTRACT

Generative Adversarial Networks (GANs) have shown considerable promise for mitigating the challenge of data scarcity when building machine learning-driven analysis algorithms. Specifically, a number of studies have shown that GAN-based image synthesis for data augmentation can aid in improving classification accuracy in a number of medical image analysis tasks, such as brain and liver image analysis. However, the efficacy of leveraging GANs for tackling prostate cancer analysis has not been previously explored. Motivated by this, in this study we introduce ProstateGAN, a GAN-based model for synthesizing realistic prostate diffusion imaging data. More specifically, in order to generate new diffusion imaging data corresponding to a particular cancer grade (Gleason score), we propose a conditional deep convolutional GAN architecture that takes Gleason scores into consideration during the training process. Experimental results show that high-quality synthetic prostate diffusion imaging data can be generated using the proposed ProstateGAN for specified Gleason scores.

研究の動機と目的

• 前立腺がん画像におけるデータ不足とクラスの不均衡、特にまれなまたは高がん度の症例に対して対処すること。
• データ増強のための現実的で高精細な前立腺拡散 MRI 画像を生成する生成モデルを開発すること。
• 画像合成を Gleason スコアで条件づけることで、生成画像が特定のがん度に一致することを保証すること。
• トレーニングデータセットのバランスと増強を通じて、ディープラーニングモデルのがん分類性能を向上させること。
• GAN を用いた合成が、高がん度のがん画像における異常な暗黒領域などの臨床的に関連する特徴を効果的に生成できることを示すこと。

提案手法

• 条件付きディープ畳み込み GAN（ProstateGAN）は、DCGAN と CGAN のアーキテクチャを組み合わせ、Gleason スコアを条件とした画像生成を実現する。
• ジェネレータは、ランダムノイズ（z）とワンホットエンコーディングされた Gleason スコア（y）を入力とし、転置畳み込みを用いて 32×32 の合成画像にアップサンプリングする。
• ディスクリミネータは、同じ Gleason スコアで条件づけられた実画像と合成画像を評価し、ストライド付き畳み込みとバッチ正規化を用いる。
• ジェネレータは敵対的損失を最小化するように訓練され、ディスクリミネータは実画像と偽画像を識別するように訓練され、両者ともハング損失関数を用いる。
• ディスクリミネータの条件付き損失は次のように定義される：$\mathcal{L}_{D}^{conditional} = -\frac{1}{2}\mathbb{E}_{z\sim p_{z}}[1-\log(D(G(z|y)))] - \frac{1}{2}\mathbb{E}_{x\sim p_{x}}[\log(D(x|y))]$。
• データ前処理には回転、正規化、フリップが含まれる；トレーニングには学習率 0.0002 と β₁ = 0.5 を用いた Adam 最適化手法が使用される。

実験結果

リサーチクエスチョン

• RQ1 条件付き GAN は、Gleason スコアを条件として用いた現実的な前立腺拡散 MRI 画像を効果的に合成できるか？
• RQ2 生成された合成画像は、高がん度前立腺がんを示す典型的な特徴（例：暗黒領域）を保持しているか？
• RQ3 条件付き GAN の使用により、前立腺がん分類のトレーニングデータセットにおけるデータバランスの向上とバイアス低減が達成できるか？
• RQ4 異なる Gleason スコアごとに、合成画像の視覚的品質と構造的忠実度は、実際の拡散 MRI スキャンと比較してどの程度か？
• RQ5 ストライド 2 のカーネルを用いた転置畳み込みを使用しても、生成器は一貫性がありアーチファクトのない画像を学習できるか？

主な発見

• ジェネレータ損失は 100 トレーニングエポック後に 1 から 2 の間で収束し、ディスクリミネータ損失は約 1 に収束した。これは安定したトレーニングを示している。
• ProstateGAN が生成した合成画像は、特にがん特徴を示す領域において、実際の前立腺拡散 MRI スキャンと構造的および境界的類似性を示している。
• モデルは、Gleason スコア 6 以上のものに対応する異常な暗黒領域を効果的に生成し、実際の高がん度がん症例の主要特徴と一致した。
• トレーニングエポックにわたる可視的進化を観察したところ、初期のグリッドラインアーチファクトが時間経過とともに薄れ、生成器の一般化能力の向上が示された。
• 条件付きアーキテクチャにより、同じノイズ入力に対してエポック間で一貫した画像生成が可能となり、Gleason スコアの条件づけも一貫していた。
• モデルは、特定のがん度の解剖学的および病理学的特徴を反映した、多様で現実的な前立腺拡散画像を生成する能力を示した。