[論文レビュー] Unsupervised Anomaly Detection in MR Images using Multi-Contrast Information

Byungjai Kim, Kinam Kwon+2 more|arXiv (Cornell University)|May 2, 2021

Anomaly Detection Techniques and Applications参考文献 45被引用数 5

ひとこと要約

本論文は、多対照MRIにおける教師なし異常検出フレームワークADMを提案する。このフレームワークは、対照間変換特徴と低次元画像表現を同時に学習し、特異性に強い混合ガウスモデル（GMM）を用いて画素単位の異常検出を実行する。本手法は最先端の性能を達成し、BraTSではAUC 0.939、ISLESでは0.871を記録した。これは、アノテート済みの異常データがなくても、微細な組織異常を優れた精度で検出できることを示している。

ABSTRACT

Anomaly detection in medical imaging is to distinguish the relevant biomarkers of diseases from those of normal tissues. Deep supervised learning methods have shown potentials in various detection tasks, but its performances would be limited in medical imaging fields where collecting annotated anomaly data is limited and labor-intensive. Therefore, unsupervised anomaly detection can be an effective tool for clinical practices, which uses only unlabeled normal images as training data. In this paper, we developed an unsupervised learning framework for pixel-wise anomaly detection in multi-contrast magnetic resonance imaging (MRI). The framework has two steps of feature generation and density estimation with Gaussian mixture model (GMM). A feature is derived through the learning of contrast-to-contrast translation that effectively captures the normal tissue characteristics in multi-contrast MRI. The feature is collaboratively used with another feature that is the low-dimensional representation of multi-contrast images. In density estimation using GMM, a simple but efficient way is introduced to handle the singularity problem which interrupts the joint learning process. The proposed method outperforms previous anomaly detection approaches. Quantitative and qualitative analyses demonstrate the effectiveness of the proposed method in anomaly detection for multi-contrast MRI.

研究の動機と目的

• 医療MRIにおけるアノテート済み異常データの不足に起因する課題に対処し、教師なし画素単位の異常検出を可能にすること。
• 異常が個々の対照よりも統合的対照空間でより明確に識別できるという多対照MRIの特性を活用することで、検出精度を向上させること。
• 特徴学習と異常スコアリングの共同最適化中に生じるGMMベースの密度推定における特異性問題を克服すること。
• 特徴生成と密度推定を統合的に最適化するフレームワークを構築し、分離されたパイプラインよりも優れた性能を達成すること。

提案手法

• 本手法は、異なるMRI対照間のマッピングを学習する対照間変換（CtoC）ネットワークを用い、対照間をまたがる正常組織パターンを捉える。
• 共通エンコーダーを用いて多対照画像の低次元表現を抽出し、CtoC出力とは補完的な特徴を提供する。
• 2種類の特徴を連結して混合ガウスモデル（GMM）に供給し、正常組織の分布をモデル化するための密度推定を実行する。
• GMMのパラメータ推定が共同学習中に特異化しないようにするための新規な正則化スキームを導入し、安定した最適化を保証する。
• 特徴生成と密度推定の両方を微分可能損失関数を用いてエンドツーエンドで共同最適化する。
• 本手法は正常MRIスキャンのみで学習されるため、異常アノテーションが限られる実臨床環境への適用に適している。

実験結果

リサーチクエスチョン

• RQ1 対照間変換と低次元画像特徴の共同学習が、多対照MRIにおける異常検出性能を向上させるか？
• RQ2 提案された特異性処理機構は、教師なし異常検出におけるGMM密度推定の学習を安定化させるのにどの程度有効か？
• RQ3 多対照特徴を共同で活用することで、単一対照または独立した特徴手法と比較して、正常組織と異常組織の分離が向上するか？
• RQ4 提案されたフレームワークは、オートエンコーダー、OC-SVM、GANベースのモデルといった既存の教師なし手法に比べて、公開MRIベンチマークでどの程度優れているか？

主な発見

• 提案されたADMフレームワークは、BraTSデータセットでAUC 0.939、ISLESデータセットで0.871を達成し、OC-SVM、DSVDD、fanoGAN、DAGなどのベースライン手法を上回った。
• 対照間変換特徴の使用が検出性能を顕著に向上させた。アブレーションスタディでは、このコンponentを削除するとAUCが最大0.02低下した。
• 特異性に強いGMM学習機構により、標準的なGMMがよく経験する収束失敗を回避し、安定した共同最適化が可能になった。
• BraTSとISLESの正常画像を統合したデータオーグメンテーションにより性能が向上し、ISLESではAUCが0.871に上昇し、対照空間における正常・異常強度の分離が改善された。
• 本手法は、公開データセット間での対照の多様性に対して頑健であり、中央値マップと強度スケーリングのオーグメンテーション戦略により一般化性能が向上した。
• アブレーションスタディにより、CtoCネットワークとGMMベースの密度推定が両方とも不可欠なコンponentであることが確認された。両方のコンponentを削除すると、性能が著しく低下した。