[論文レビュー] Unsupervised Anomaly Detection for X-Ray Images

Diana Davletshina, Valentyn Melnychuk+6 more|arXiv (Cornell University)|Jan 29, 2020

Anomaly Detection Techniques and Applications参考文献 23被引用数 10

ひとこと要約

本稿では、自己符号化器（AE）およびGANベースのモデルを用いたX線画像の教師なし異常検出フレームワークを提案する。ノイズ低減と検出性能向上を目的としたマルチステージ前処理パイプラインを統合し、60.7%のROC-AUC（α-GAN）および57%（CAE）を達成。画素単位の異常ヒートマップにより、臨床応用に向けた高い解釈可能性を提供する。

ABSTRACT

Obtaining labels for medical (image) data requires scarce and expensive experts. Moreover, due to ambiguous symptoms, single images rarely suffice to correctly diagnose a medical condition. Instead, it often requires to take additional background information such as the patient's medical history or test results into account. Hence, instead of focusing on uninterpretable black-box systems delivering an uncertain final diagnosis in an end-to-end-fashion, we investigate how unsupervised methods trained on images without anomalies can be used to assist doctors in evaluating X-ray images of hands. Our method increases the efficiency of making a diagnosis and reduces the risk of missing important regions. Therefore, we adopt state-of-the-art approaches for unsupervised learning to detect anomalies and show how the outputs of these methods can be explained. To reduce the effect of noise, which often can be mistaken for an anomaly, we introduce a powerful preprocessing pipeline. We provide an extensive evaluation of different approaches and demonstrate empirically that even without labels it is possible to achieve satisfying results on a real-world dataset of X-ray images of hands. We also evaluate the importance of preprocessing and one of our main findings is that without it, most of our approaches perform not better than random. To foster reproducibility and accelerate research we make our code publicly available at https://github.com/Valentyn1997/xray

研究の動機と目的

• 放射線科医が高価な専門家ラベルに依存せずに支援できる、X線画像向けの教師なし異常検出システムの開発。
• 現実世界のノイズが多い医療画像の課題に対処するため、耐障害性の高いマルチステージ前処理パイプラインの導入。
• 手のX線画像における異常検出に、最先端の教師なしディープラーニングモデル（自己符号化器およびGAN）を評価・比較すること。
• 特に自己符号化器ベースのモデルにおいて、画素単位のヒートマップによる解釈可能な異常局所化を提供すること。
• 適切な前処理が、教師なし学習であっても信頼性の高い性能を達成するために不可欠であることを示すこと。

提案手法

• 2段階の前処理パイプラインを提案：オフライン処理（手の中心位置特定、セグメンテーション、拡張処理）とオンライン処理（パディング、センター合わせ、最小最大正規化）。
• コントラスト強化にヒストグラム平坦化を適用し、特にAEベースのモデルにとって有益である。
• 異常ラベルなしで、前処理済みX線画像に対して自己符号化器（CAE）およびGANベースのモデル（α-GAN、BiGAN）を訓練。
• 自己符号化器では再構成誤差を画素単位の異常スコアとして用い、異常領域の可視化が可能なヒートマップを生成。
• GANでは、識別器の出力確率を画像単位の異常スコアとして使用するが、ネイティブに画素単位の出力を備えない。
• 画素単位の再構成誤差を上位k個に集約することで、異常検出性能の向上を試みたが、k=200の場合、結果に顕著な改善は見られなかった。

実験結果

リサーチクエスチョン

• RQ1 実際のノイズが多い手のX線画像において、教師なしディープラーニングモデル（AEおよびGAN）の異常検出効果はどの程度か？
• RQ2 包括的な前処理パイプラインは、医療画像データにおける教師なし異常検出モデルの性能向上にどの程度寄与するか？
• RQ3 自己符号化器ベースのモデルは、臨床的に関連のある異常と整合する意味のある画素単位の異常ヒートマップを提供できるか？
• RQ4 解釈可能性を含めた観点から、GANベースのモデルと自己符号化器の間で、異常検出性能にどのような差があるか？
• RQ5 ラベルなしで信頼性のある異常検出が可能かどうか。また、前処理がその性能にどのように影響を与えるか？

主な発見

• 前処理パイプラインは極めて重要である。前処理なしでは、大多数のモデルがランダムよりわずかに優れるにとどまり、生データまたはクロップドデータではROC-AUCが45%未満にとどまる。
• α-GANモデルは、識別器の出力確率を異常スコアとして用いることで、最高のROC-AUC 60.7%を達成した。
• CAEはROC-AUC 57%を達成し、自然に画素単位の異常ヒートマップを提供するため、懸念される領域の解釈可能な局所化が可能である。
• CAEの画素単位再構成誤差ヒートマップは、金属インプラントなどの異常を明確に強調しており、専門家でない者でも検出可能である。
• ヒストグラム平坦化はAEベースのモデルにおいて一貫して性能向上をもたらし、低コントラストX線画像におけるコントラスト強化の価値を示唆している。
• 上位k個の再構成誤差を集約しても、結果に顕著な改善が得られなかった。これは、kの最適選定が不十分であるか、モデルがノイズに敏感であるための可能性がある。