[論文レビュー] Spectral Data Augmentation Techniques to quantify Lung Pathology from CT-images

Subhradeep Kayal, Florian Dubost+2 more|arXiv (Cornell University)|Apr 24, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 18被引用数 5

ひとこと要約

本稿では、CT画像における肺病変分類の精度向上を目的として、離散コサイン変換（DCT）および離散ウェーブレット変換（DWT）を用いたスペクトル的データ拡張を提案する。周波数成分にノイズを追加することで、スキャンプロトコルの変動を模擬する合成画像を生成し、特に既存の拡張手法と組み合わせることで顕著な性能向上を達成した。その結果、単純な複製に比べて病変クラスのF1スコアが44.1%相対的に向上した。

ABSTRACT

Data augmentation is of paramount importance in biomedical image processing tasks, characterized by inadequate amounts of labelled data, to best use all of the data that is present. In-use techniques range from intensity transformations and elastic deformations, to linearly combining existing data points to make new ones. In this work, we propose the use of spectral techniques for data augmentation, using the discrete cosine and wavelet transforms. We empirically evaluate our approaches on a CT texture analysis task to detect abnormal lung-tissue in patients with cystic fibrosis. Empirical experiments show that the proposed spectral methods perform favourably as compared to the existing methods. When used in combination with existing methods, our proposed approach can increase the relative minor class segmentation performance by 44.1% over a simple replication baseline.

研究の動機と目的

• 希少な肺疾患（例：線維症）の分類において、クラスの不均衡と限られたラベル付きデータという課題に取り組む。
• 多様で現実的な合成トレーニングサンプルを生成することで、低データ環境下における深層学習モデルの一般化性能を向上させる。
• 空間ドメイン手法とは補完的である周波数ドメインにおけるデータ拡張の可能性を検討する。
• DCTおよびDWTといったスペクトル変換が、肺CT画像の分類性能向上にどの程度寄与するかを評価する。
• 臨床画像処理タスクにおけるスペクトル拡張の最適なノイズレベルと組み合わせ戦略を特定する。

提案手法

• CT画像を離散コサイン変換（DCT）により周波数成分に分解し、係数にスケールに比例するガウスノイズを追加することで合成画像を生成する。
• 離散ウェーブレット変換（DWT）を用いて、複数スケールにおける近似係数と詳細係数に画像を分解し、局所的な周波数解析を可能にする。
• 周波数係数にノイズを付加した後、逆DCTまたは逆DWTを用いて合成画像を再構築する。
• ノイズ強度をパラメータ η で制御し、各係数の値に対して最大ノイズレベルを相対的に設定する。R値は0〜ηの間で線形にサンプリングされる。
• 標準的なデータ拡張技術（例：アフィン変換、エラスティック変形、強度シフト）と組み合わせることで、モデルのロバスト性を向上させる。
• 拡張済みデータでU-Netモデルを学習し、ピクセル単位の分類出力を精緻化するために形態的穴埋め処理を適用する。

実験結果

リサーチクエスチョン

• RQ1 DCTおよびDWTを用いたスペクトル的データ拡張は、リソースが限られた生物医学的画像分類環境で分類性能を向上させることができるか？
• RQ2 エラスティック変形やアフィン変換といった従来の空間ドメイン拡張手法と比較して、スペクトル的拡張の性能はどのように異なるか？
• RQ3 効果的な合成トレーニングサンプルを生成するためのスペクトル成分における最適なノイズレベル（η）は何か？
• RQ4 既存のデータ拡張手法とスペクトル拡張を組み合わせることで、モデルの一般化性能に相乗効果が得られるか？
• RQ5 スペクトル拡張は過学習を軽減し、肺組織分類におけるマイノリティ（病変）クラスのF1スコアを向上させることができるか？

主な発見

• DWTベースのスペクトル拡張でη = 0.5%を設定した場合、テストセットで最高のF1スコア（0.34581）を達成し、他の個別の拡張手法をすべて上回った。
• アフィン変換およびエラスティック変形と組み合わせたDWT@0.5%拡張では、単純なデータ複製に比べて病変クラスのF1スコアが44.1%相対的に向上した。
• ノイズレベル（η）が高くなるほどスペクトル手法の性能が低下したため、多様性と信号の忠実度の間にはトレードオフがあることが示された。
• DWTベースの拡張がDCTベースの拡張よりも優れた性能を示した。これは、DWTが局所的な周波数情報を捉えられることに起因すると考えられる。
• スペクトル拡張を標準的手法（アフィン、エラスティック、強度）と組み合わせた場合、最も高い全体的な性能が得られ、2番目に優れた個別手法よりもF1スコアで10.3%も向上した。
• 結果から、スペクトル拡張が空間ドメイン手法とは補完的である情報源を提供しており、スキャンプロトコルの変動に対するモデルのロバスト性が向上することが示された。