[論文レビュー] Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

Thomas Schlegl, Philipp Seeböck+3 more|arXiv (Cornell University)|Mar 17, 2017

Retinal Imaging and Analysis参考文献 15被引用数 147

ひとこと要約

論文は AnoGAN を紹介します。DCGAN を用いて正常な網膜解剖を学習し、残差および識別損失を用いた新しい潜在空間マッピングを提案することで、注釈付きマーカーなしで OCT 画像の異常を同定・局在する無監視な異常検出法です。

ABSTRACT

Obtaining models that capture imaging markers relevant for disease progression and treatment monitoring is challenging. Models are typically based on large amounts of data with annotated examples of known markers aiming at automating detection. High annotation effort and the limitation to a vocabulary of known markers limit the power of such approaches. Here, we perform unsupervised learning to identify anomalies in imaging data as candidates for markers. We propose AnoGAN, a deep convolutional generative adversarial network to learn a manifold of normal anatomical variability, accompanying a novel anomaly scoring scheme based on the mapping from image space to a latent space. Applied to new data, the model labels anomalies, and scores image patches indicating their fit into the learned distribution. Results on optical coherence tomography images of the retina demonstrate that the approach correctly identifies anomalous images, such as images containing retinal fluid or hyperreflective foci.

研究の動機と目的

• 疾病マーカーを事前定義された語彙に依存せず検出を促進する。
• ラベルなしデータから健康な解剖学的外観の生成モデルを学習する。
• 異常を識別するために画像空間から潜在空間へのマッピング手法を開発する。
• OCT 画像の異常スコアとピクセルレベルの異常局在を提供する。
• 既知のマーカーおよび潜在的な新規マーカーの検出を示す。
• 他の無監督アプローチと比較し、セグメンテーション能力を評価する。

提案手法

• 健康な OCT 画像のパッチに対して DCGAN を学習し、正常な外観の多様体をモデル化する。
• 新しい画像パッチを潜在空間へ写像するために、残差損失と識別損失を複合的に最小化するよう z を反復的に更新する。
• x と G(z) の類似性を強制する残差損失と、識別子の特徴に基づく識別損失を用いて G(z) が正常データ多様体上にあることを保証する。
• 異常スコア A(x) = (1-λ)· Residual + λ·Discrimination を定義し、λ を経験的に 0.1 に設定する。
• 潜在空間マッピングの安定性を改善するために特徴量マッチングベースの識別損失を使用する。
• 画素レベルの流体注釈を用いた高解像度 SD-OCT データで検出とセグメンテーションを評価する。

実験結果

リサーチクエスチョン

• RQ1 GAN ベースの無監督モデルは、マーカー注釈なしで異常を検出するための正常な網膜解剖を学習できるか。
• RQ2 残差と特徴ベースの識別損失を組み合わせた学習済み潜在空間マッピングは、OCT 画像の異常を正確に識別・局在できるか。
• RQ3 医用画像の無監督異常検出において AnoGAN は自動エンコーダーベースや識別器のみのアプローチと比べてどうか。
• RQ4 方法は既知の異常（例: 網膜液、過反射焦点）を検出し得るか、潜在的な新規マーカーを検出できるか。

主な発見

モデル	精度	再現率	感度	特異度	AUC
aCAE	0.7005	0.7009	0.7011	0.6659	0.73
P_D	0.8471	0.5119	0.5124	0.8970	0.72
GAN_R	0.8482	0.7631	0.7634	0.8477	0.88
AnoGAN	0.8834	0.7277	0.7279	0.8928	0.89

• モデルは現実的で健康そうな網膜パッチを生成し、学習した正常外観からの逸脱として異常を検出する。
• A(x) を用いた異常検出は高性能を達成し、残差成分と識別成分の両方が検出に寄与する。
• 識別子特徴に基づく提案識別損失は潜在空間へのマッピングを改善する。
• AnoGAN は異常検出性能で敵対的オートエンコーダより優れており、ROC AUC で他のベースラインと同等かそれ以上の性能を示す。
• この手法は異常をピクセルレベルで局在させる残差画像を通じて追加の病変を同定可能にし、注釈マーカーを超える病変を特定する。
• 直接識別器ベースのスコアリングと比較して、組み合わせた異常スコアは健康画像と病的画像の両方で堅牢な検出を提供する。