[論文レビュー] Unsupervised Brain Abnormality Detection Using High Fidelity Image Reconstruction Networks.

Kazuma Kobayashi, Ryuichiro Hataya+9 more|arXiv (Cornell University)|May 26, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 66被引用数 6

ひとこと要約

本論文は、構造的類似性制約を備えた内省的変分オートエナボーラーに基づく高精細な画像再構成ネットワークを用いて、ボクセル単位の脳MRI異常検出のための教師なしフレームワークを提案する。正常なMRIスキャンで訓練されたモデルは、入力画像を学習済みの潜在空間にマッピングし、再構成された画像と入力画像の間のマルチレベル特徴差違を測定することで異常を同定する。対照強調型の病変、例えば転移性脳腫瘍のような病変において優れた性能を発揮する。

ABSTRACT

Recent advances in deep learning have facilitated near-expert medical image analysis. Supervised learning is the mainstay of current approaches, though its success requires the use of large, fully labeled datasets. However, in real-world medical practice, previously unseen disease phenotypes are encountered that have not been defined a priori in finite-size datasets. Unsupervised learning, a hypothesis-free learning framework, may play a complementary role to supervised learning. Here, we demonstrate a novel framework for voxel-wise abnormality detection in brain magnetic resonance imaging (MRI), which exploits an image reconstruction network based on an introspective variational autoencoder trained with a structural similarity constraint. The proposed network learns a latent representation for normal anatomical variation using a series of images that do not include annotated abnormalities. After training, the network can map unseen query images to positions in the latent space, and latent variables sampled from those positions can be mapped back to the image space to yield normal-looking replicas of the input images. Finally, the network considers abnormality scores, which are designed to reflect differences at several image feature levels, in order to locate image regions that may contain abnormalities. The proposed method is evaluated on a comprehensively annotated dataset spanning clinically significant structural abnormalities of the brain parenchyma in a population having undergone radiotherapy for brain metastasis, demonstrating that it is particularly effective for contrast-enhanced lesions, i.e., metastatic brain tumors and extracranial metastatic tumors.

研究の動機と目的

• 有限でラベル付きのデータセットに存在しない未確認の脳異常を検出するという課題に対処すること。
• アノテートされた病理学的病変を必要としない、仮説フリーの教師なし手法を用いて脳MRIにおける異常領域を同定すること。
• ラベルなしデータから正常な解剖的変異を学習するために、高精細な画像再構成を活用すること。
• 再構成画像における複数の特徴レベルでの差違を定量化することで、ボクセル単位の異常スコアリングを可能にすること。

提案手法

• 正常な脳MRIスキャンのセットを用いて、内省的アテンション機構を備えた変分オートエナボーラーを訓練し、正常な解剖的変異の分離された潜在表現を学習する。
• 訓練中に細分化された画像ディテールを保持し、再構成の正確性を向上させるために、構造的類似性（SSIM）制約を組み込む。
• 訓練後、入力MRIスキャンが潜在空間にエンコードされ、この潜在空間からのサンプリングにより、入力の正常に見える再構成が生成される。
• 特徴マップ全体を通じて、元の画像と再構成画像の間のマルチスケール差違として異常スコアが計算され、構造的逸脱を示す領域が強調される。
• ピクセル単位の再構成損失では捉えきれない微細な異常を検出するために、階層的な特徴レベル比較戦略を用いる。
• エンドツーエンドのアプローチにより、未学習スキャンにおける異常の教師なしボクセル単位の局在化が可能になる。

実験結果

リサーチクエスチョン

• RQ1 教師付き病理データに依存せずに、ラベルなしのデータで脳MRIスキャンにおける異常を検出できる教師なしディープラーニングモデルは存在するか？
• RQ2 構造的類似性損失を備えた変分オートエナボーラーは、正常な脳解剖の再構成において、病変を示唆する逸脱を特定するのにどの程度有効か？
• RQ3 マルチレベル特徴差違スコアは、対照強調型病変を含め、脳MRIにおける異常領域をどの程度正確に局在化できるか？
• RQ4 本手法は、訓練データに含まれない臨床的関連性の高い未確認の脳異常、例えば転移性腫瘍に対してどの程度の性能を示すか？
• RQ5 本モデルは、訓練データに含まれない多様な未確認の脳実質異常の表現型にも一般化可能か？

主な発見

• 提案手法は、包括的なアノテーションが施されたデータセットにおいて、対照強調型病変、特に転移性および頭蓋内以外の転移性腫瘍の検出において高い感度を達成した。
• 構造的類似性損失の使用により、再構成品質が著しく向上し、標準的なL2損失と比較して微細な構造的異常の検出が改善された。
• マルチレベル特徴差違に基づく異常スコアは、ピクセル単位の再構成誤差よりも病理的領域の局在化において優れた性能を示した。
• 訓練データに存在しない未確認の疾患表現型に対しても、本モデルは頑健であることが確認され、教師なし一般化能力が裏付けられた。
• 本フレームワークはボクセルレベルでの異常局在化に成功し、脳MRIにおける疑わしい病理的領域の正確な空間マッピングが可能になった。