[논문 리뷰] Abnormal Chest X-ray Identification With Generative Adversarial One-Class Classifier

Yuxing Tang, Youbao Tang외 3명|arXiv (Cornell University)|2019. 03. 05.

COVID-19 diagnosis using AI참고 문헌 11인용 수 8

한 줄 요약

이 논문은 정상 이미지만을 사용하여 훈련하는 한계를 고려해 비정상 흉부 X-ray를 식별하는 생성적 적대적 일종학습 프레임워크를 제안한다. U-Net 오토에인코더, 판별기, 그리고 두 번째 인코더를 적대적 훈련 방식에 통합함으로써, 정상 X-ray는 잘 재구성하지만 비정상 X-ray는 잘 재구성하지 못하는 모델을 구축하였으며, NIH 흉부 X-ray 데이터셋에서 최소한의 주석 작업으로 AUC 0.841을 달성하였다.

ABSTRACT

Being one of the most common diagnostic imaging tests, chest radiography requires timely reporting of potential findings in the images. In this paper, we propose an end-to-end architecture for abnormal chest X-ray identification using generative adversarial one-class learning. Unlike previous approaches, our method takes only normal chest X-ray images as input. The architecture is composed of three deep neural networks, each of which learned by competing while collaborating among them to model the underlying content structure of the normal chest X-rays. Given a chest X-ray image in the testing phase, if it is normal, the learned architecture can well model and reconstruct the content; if it is abnormal, since the content is unseen in the training phase, the model would perform poorly in its reconstruction. It thus enables distinguishing abnormal chest X-rays from normal ones. Quantitative and qualitative experiments demonstrate the effectiveness and efficiency of our approach, where an AUC of 0.841 is achieved on the challenging NIH Chest X-ray dataset in a one-class learning setting, with the potential in reducing the workload for radiologists.

연구 동기 및 목표

• 의료진의 작업 부담을 줄이기 위해 비정상 흉부 X-ray 감지를 자동화하기 위해.
• 주석이 부족한 비정상 X-ray 데이터 문제를 해결하기 위해 정상 이미지만으로 훈련하는 것을 목적으로 한다.
• 재구성 오차를 기반으로 이상을 식별하는 일종학습 방법을 개발하기 위해.
• 다양한 비정상 레이블이 필요 없이 적대적 훈련을 활용해 의료 영상에서의 이상 탐지 성능을 향상시키기 위해.

제안 방법

• 프레임워크는 입력 X-ray 이미지를 학습된 잠재공간에서 재구성하기 위해 U-Net 유사 오토에인코더를 생성기로 사용한다.
• 합성곱 신경망 판별기는 실제 정상 X-ray와 재구성된 이미지를 구별하도록 훈련되어 적대적 훈련을 가능하게 한다.
• 두 번째 인코더 네트워크를 도입하여 재구성된 이미지의 특징을 추출함으로써 이상도 평가를 향상시킨다.
• 생성기는 재구성 오차를 최소화하고, 판별기는 가짜 재구성 이미지를 탐지하는 데 최대화하는 미니맥스 목표함수를 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 이상도 점수는 재구성 손실 기반으로 계산되며, 높은 점수는 이상성을 나타낸다.
• 모델은 정상 CXR만으로 훈련되며, 훈련 중에 비정상 예측의 주석이 필요하지 않다.

실험 결과

연구 질문

• RQ1 정상 훈련 데이터만을 사용하여 일종학습 모델이 비정상 흉부 X-ray를 효과적으로 감지할 수 있는가?
• RQ2 생성기와 판별기 간의 적대적 훈련이 의료 영상에서 재구성 정밀도와 이상 탐지 성능을 어떻게 향상시키는가?
• RQ3 추가적인 인코더 네트워크가 모델의 이상 탐지 능력을 향상시키는 데 기여하는 바는 무엇인가?
• RQ4 어려운 실제 CXR 데이터에서 기준 오토에인코더와 비교해 본다면, 제안된 방법은 AUC 성능 측면에서 어떻게 다른가?

주요 결과

• 제안된 모델은 NIH 흉부 X-ray 데이터셋에서 14개의 주요 이상 소견을 포함한 정상 대 비정상 CXR 분류에서 AUC 0.841을 달성하였다.
• 정상 대 폐쇄렴 소견 케이스에 대한 부분집합에서는 AUC 0.802를 기록하였으며, 이는 기준 U-Net 오토에인코더(AUC 0.627)를 크게 능가하는 성능이었다.
• 제거 실험 결과, 판별기, 두 번째 인코더, 그리고 적대적 훈련 각각이 성능 향상에 기여하는 것으로 확인되었다.
• 정성적 결과에서는 모델이 정상 X-ray를 고정밀도로 재구성하는 반면, 비정상 이미지는 뚜렷하게 흐릿하고 기형적인 해부학적 구조를 보였다.
• 모델은 X-ray당 평균 0.48ms의 추론 시간을 기록하여 임상적 구현에 적합한 높은 효율성을 보였다.
• 이 방법은 비정상 데이터의 주석이 전혀 필요 없었으며, 주석 부담을 줄이면서도 강력한 탐지 성능를 유지하였다.