[論文レビュー] TUNA-Net: Task-oriented UNsupervised Adversarial Network for Disease Recognition in Cross-Domain Chest X-rays

Yuxing Tang, Youbao Tang+3 more|arXiv (Cornell University)|Aug 21, 2019

COVID-19 diagnosis using AI参考文献 18被引用数 4

ひとこと要約

TUNA-Net は、サイクル整合性のある画像間変換中にクラス固有の意味を保持することで、胸部レントゲンにおけるクロスドメインの肺炎認識を可能にする、タスク指向型で教師なしの敵対的ネットワークである。これは、ターゲットドメインのラベルを一切必要とせず、小児X線において96.3%のAUCを達成し、完全に教師ありのモデルが達成する98.1%のAUCにほぼ並ぶ。

ABSTRACT

In this work, we exploit the unsupervised domain adaptation problem for radiology image interpretation across domains. Specifically, we study how to adapt the disease recognition model from a labeled source domain to an unlabeled target domain, so as to reduce the effort of labeling each new dataset. To address the shortcoming of cross-domain, unpaired image-to-image translation methods which typically ignore class-specific semantics, we propose a task-driven, discriminatively trained, cycle-consistent generative adversarial network, termed TUNA-Net. It is able to preserve 1) low-level details, 2) high-level semantic information and 3) mid-level feature representation during the image-to-image translation process, to favor the target disease recognition task. The TUNA-Net framework is general and can be readily adapted to other learning tasks. We evaluate the proposed framework on two public chest X-ray datasets for pneumonia recognition. The TUNA-Net model can adapt labeled adult chest X-rays in the source domain such that they appear as if they were drawn from pediatric X-rays in the unlabeled target domain, while preserving the disease semantics. Extensive experiments show the superiority of the proposed method as compared to state-of-the-art unsupervised domain adaptation approaches. Notably, TUNA-Net achieves an AUC of 96.3% for pediatric pneumonia classification, which is very close to that of the supervised approach (98.1%), but without the need for labels on the target domain.

研究の動機と目的

• ラベル付きのソースドメイン（例：成人X線）からラベルなしのターゲットドメイン（例：小児X線）にモデルを転移する際のドメインシフトの課題に対処すること。
• 既存の教師なしドメイン適応手法が、画像変換中にクラス固有の病変意味を保持できないという限界を克服すること。
• クロスドメインの画像変換中に低レベルの画像ディテール、ミドルレベルの特徴、ハイレベルの意味的コンテンツを維持するフレームワークを開発することにより、下流の疾患認識を支援すること。
• ターゲットデータの手動ラベリングを必要とせず、臨床的なラベル付け負担を軽減しながら、ターゲットドメインにおける有効な疾患認識を可能にすること。

提案手法

• ソースドメインとターゲットドメインを統合するためのタスク駆動型で、識別的に学習されたコンponentsを備えたサイクル整合性のある生成的敵対的ネットワーク（Cycle-GANの変種）を提案すること。
• ソースドメインのラベルを用いて画像変換をガイドするクラス認識の意味制約モジュールを統合し、疾患固有のコンテンツを保持すること。
• ドメインの不一致を最小化し、変換された画像から実際の画像を再構成し、ドメイン間でミドルレベルの特徴を正則化する、共同最適化フレームワークを訓練すること。
• 二重パスウェイ分類ヘッドを採用：一方はラベル付きのソースドメイン用、もう一方は合成画像と同時にエンドツーエンドで学習するターゲットドメイン用であり、オンライン適応を可能にすること。
• ミドルレベルの特徴を実際のターゲット画像と合成ターゲット画像の間で一致させるための特徴構築損失を組み込むことで、一般化性能を向上させること。
• 敵対的訓練を適用し、合成されたターゲットドメインの画像が解剖学的に現実的で、かつ元の疾患パターンと意味的に忠実であることを保証すること。

実験結果

リサーチクエスチョン

• RQ1 教師なしドメイン適応手法は、医療画像におけるクロスドメインの画像変換中に、クラス固有の疾患意味を保持できるか？
• RQ2 画像変換プロセスにソースドメインのラベルを組み込むことで、ラベルなしのターゲットドメインにおける下流の疾患分類性能にどのような影響を与えるか？
• RQ3 タスク固有の制約を備えたサイクル整合性GANフレームワークは、最先端のUDA手法に比べて、クロスドメインの胸部レントゲンによる肺炎認識でどれほど優れているか？
• RQ4 翻訳ネットワークと同時にエンドツーエンドでターゲット分類器を訓練することで、オフライン学習やアブレーション成分と比較して性能が向上するか？

主な発見

• TUNA-Net は、小児胸部レントゲンの肺炎分類において96.3%のAUCを達成し、ターゲットドメインのラベルで訓練された完全に教師ありのモデルが達成する98.1%のAUCに非常に近い。
• 本モデルは、同一の設定下で、最先端の教師なしドメイン適応手法（ADDA：91.8% AUC、CyCADA：93.5% AUC）を上回る性能を発揮した。
• アブレーションスタディの結果、ターゲット分類器のオンラインエンドツーエンド訓練が最も重要な要因であり、性能向上に最も寄与した。
• 特徴構築損失の導入と、合成ターゲット画像からソース画像の再構成が、モデルのロバストネスと一般化性能を顕著に向上させた。
• 定性的な結果から、TUNA-Net は画像変換中にも病理的特徴（例：肺葉の実質化）を保持しているのに対し、Cycle-GAN や CyCADA はしばしばそのような詳細を曇らせるか、失うことがある。
• TUNA-Net が生成する合成画像は、解剖学的に現実的であり、特に疾患コンテンツを忠実に保持している。