[論文レビュー] Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders

Xiaoran Chen, Ender Konukoglu|arXiv (Cornell University)|Jun 13, 2018

Brain Tumor Detection and Classification参考文献 9被引用数 122

ひとこと要約

本論文は、VAE/AAEを用いて健全な脳分布を学習することにより脳MRIの病変検出を教師なしで行い、病変検出を改善する潜在空間の整合性制約を導入し、HCPの健常データを用いたBRATSで評価する。

ABSTRACT

Lesion detection in brain Magnetic Resonance Images (MRI) remains a challenging task. State-of-the-art approaches are mostly based on supervised learning making use of large annotated datasets. Human beings, on the other hand, even non-experts, can detect most abnormal lesions after seeing a handful of healthy brain images. Replicating this capability of using prior information on the appearance of healthy brain structure to detect lesions can help computers achieve human level abnormality detection, specifically reducing the need for numerous labeled examples and bettering generalization of previously unseen lesions. To this end, we study detection of lesion regions in an unsupervised manner by learning data distribution of brain MRI of healthy subjects using auto-encoder based methods. We hypothesize that one of the main limitations of the current models is the lack of consistency in latent representation. We propose a simple yet effective constraint that helps mapping of an image bearing lesion close to its corresponding healthy image in the latent space. We use the Human Connectome Project dataset to learn distribution of healthy-appearing brain MRI and report improved detection, in terms of AUC, of the lesions in the BRATS challenge dataset.

研究の動機と目的

• ラベル付きデータの必要性を削減するため、健常な脳の外観の事前知識を活用して教師なし病変検出を動機づける。
• 自己符号化モデル（VAE/AAE）を用いて健全な脳分布を学習する。
• 健全と異常画像の分離を改善するため潜在空間の整合性を検討する。
• HCPデータで訓練された健全分布モデルを用いてBRATSでの病変検出の改善を示す。

提案手法

• Human Connectome Projectの健常脳T2強調MRIからVAEとAAEを訓練する。
• AAEの標準的な発散をWGAN-GPに置換して潜在分布の適合性を向上させる。
• 健全画像と再構成画像の潜在コードを近づける正則化項 ||z_h - z_h' ||^2 を追加して潜在空間の整合性を導入する。
• BRATSデータで病変を検出するためにピクセル単位の再構成残差 |X_a - X_a'| を使用する。
• 実現可能な再構成品質と訓練安定性のために画像を32x32へダウンサンプリングする。

実験結果

リサーチクエスチョン

• RQ1 健全な脳画像から学習した教師なしモデルは、ラベル付き病変データなしで脳病変を検出できるか。
• RQ2 潜在空間の整合性を強制することは、標準のVAE/AAEと比べて病変検出を改善するか。
• RQ3 健全な訓練分布を用いたBRATSで、どのモデルとパラメータ設定が最も良いピクセル-wise異常検知（AUC）を達成するか。
• RQ4 健全領域と異常領域の再構成差の違いは、残差ベースの病変検出にどのように影響するか。

主な発見

モデル	AUC
VAE	0.897
AAE	0.885
AAE, λ=0.5	0.906
AAE, λ=1.0	0.923

• 潜在制約を持つAAE（λ = 1.0）はBRATS BRATS-2015 T2データで最高のAUC0.923を達成した。
• 潜在制約は健全領域の再構成現実性を改善し、残差における病変領域をより正確に強調する。
• λ = 1.0は健常ピクセル再構成誤差分布と異常ピクセル再構成誤差分布の間の分離をより明確にし、他のモデルより重複が17%に低下。
• 制約のないVAEおよびAAEと比較して、制約付きAAEは再構成をシャープにし、残差での病変局在化をより正確にした。