[論文レビュー] The role of noise in denoising models for anomaly detection in medical images

Antanas Kascenas, Pedro L. Sánchez+10 more|arXiv (Cornell University)|Jan 19, 2023

Generative Adversarial Networks and Image Synthesis被引用数 5

ひとこと要約

本稿では、畳み込みオートエンコーダー（DAE）および拡散モデルを用いた医用画像における異常検出において、特に粗いノイズの最適化が顕著に性能向上をもたらすことを示している。粗いノイズを用いることで、正常構造の再構成精度が向上し、異常が抑制される。単純で高速なDAEを用いて最先端の性能を達成しており、脳MRIおよびCTデータセットを用いた実験で本手法の有効性を検証した。

ABSTRACT

Pathological brain lesions exhibit diverse appearance in brain images, in terms of intensity, texture, shape, size, and location. Comprehensive sets of data and annotations are difficult to acquire. Therefore, unsupervised anomaly detection approaches have been proposed using only normal data for training, with the aim of detecting outlier anomalous voxels at test time. Denoising methods, for instance classical denoising autoencoders (DAEs) and more recently emerging diffusion models, are a promising approach, however naive application of pixelwise noise leads to poor anomaly detection performance. We show that optimization of the spatial resolution and magnitude of the noise improves the performance of different model training regimes, with similar noise parameter adjustments giving good performance for both DAEs and diffusion models. Visual inspection of the reconstructions suggests that the training noise influences the trade-off between the extent of the detail that is reconstructed and the extent of erasure of anomalies, both of which contribute to better anomaly detection performance. We validate our findings on two real-world datasets (tumor detection in brain MRI and hemorrhage/ischemia/tumor detection in brain CT), showing good detection on diverse anomaly appearances. Overall, we find that a DAE trained with coarse noise is a fast and simple method that gives state-of-the-art accuracy. Diffusion models applied to anomaly detection are as yet in their infancy and provide a promising avenue for further research.

研究の動機と目的

• 畳み込みオートエンコーダー（DAE）および拡散モデルにおけるノイズ特性の最適化を通じて、医用画像における教師なし異常検出の性能を向上させること。
• ノイズのパラメータ（解像度および強度）のチューニングが、DAEや拡散モデルを含むさまざまな再構成アーキテクチャにおいて性能向上に寄与するかどうかを調査すること。
• 脳MRIおよびCTにおける多様な病変の検出において、粗いノイズと他のノイズタイプ（例：単体ノイズ）の有効性を比較評価すること。
• 放射線科レポートの自然言語処理（NLP）を活用して、健全なトレーニングスキャンを自動で抽出する実用的で自動化されたパイプラインを開発すること。
• ノイズハイパーパrameterが画像モalityおよび異常タイプに跨って一般化可能かどうかを評価すること。

提案手法

• 入力画像よりも低い解像度でノイズを適用し、トレーニング中にアップサンプリングを行う空間的に粗いノイズを用いた畳み込みオートエンコーダー（DAE）を訓練した。
• 同様の粗いノイズ最適化を拡散モデルに対しても適用し、再構成性能および異常検出性能を向上させるために、ノイズの強度および空間的解像度を調整した。
• ピxlsワイドノイズをベースラインとして用い、DAEおよび拡散モデルの両方で、粗いノイズおよび単体ノイズとを比較した。
• 再構成誤差を異常スコアとして用い、誤差が大きいほど病変の可能性が高いと判断した。
• 放射線科レポートの自然言語処理（NLP）を活用して、大規模でキューレートされていないデータセットから健全なスキャンを自動で特定・抽出し、トレーニングに用いた。
• 実世界の2つのデータセットを用いてモデルを検証した：脳MRIにおける腫瘍検出および脳CTにおける出血・虚血・腫瘍検出。

実験結果

リサーチクエスチョン

• RQ1 医用画像における畳み込みオートエンコーダーおよび拡散モデルの異常検出性能が、ノイズの空間的解像度および強度の最適化によって向上するか？
• RQ2 最適なノイズパラメータ（解像度および強度）は、画像モダリティ（MRI 対 CT）および異常タイプに跨って転送可能か？
• RQ3 異常検出精度の観点で、粗いノイズはピxlsワイドノイズおよび単体ノイズに比べて優れているか？
• RQ4 放射線科レポートのNLPを用いたスクリーニングは、教師なし異常検出のための健全なトレーニングコhortを効果的に特定できるか？
• RQ5 再構成ベースの手法（DAEや拡散モデル）は、対比度が低い虚血のような微細な異常をどの程度検出できるか？

主な発見

• 粗いノイズのパラメータ（解像度および強度）を最適化することで、畳み込みオートエンコーダーおよび拡散モデルの両方で異常検出性能が顕著に向上した。
• 粗いノイズを用いてトレーニングした古典的なDAEが、より複雑なモデルを上回り、脳MRIおよびCTの両データセットで最先端の精度を達成した。
• 粗いノイズの最適なパラメータは、MRIとCTの間で大きく転送可能であり、腫瘍・出血・虚血を含む多様な病変においても同様に有効であった。
• 特に高コントラスト病変において、粗いノイズはピxlsワイドノイズおよび単体ノイズを上回る性能を示した。
• 放射線科レポートのNLPを用いたスクリーニングにより、キューレートされていないデータセットから健全なトレーニングコhortを効果的に特定でき、ほとんど自動化されたパイプラインを実現した。
• 顕著な異常（例：腫瘍、出血）に対しては有効であったが、対比度が低い虚血のような微細な異常については、再構成ベースの手法は依然として課題を抱えており、代替のスコアリング機構の開発が求められる。