[논문 리뷰] Achieving state-of-the-art performance in the Medical Out-of-Distribution (MOOD) challenge using plausible synthetic anomalies

Sergio Naval Marimont, Giacomo Tarroni|arXiv (Cornell University)|2023. 08. 02.

Anomaly Detection Techniques and ApplicationsComputer Science인용 수 3

한 줄 요약

이 논문은 복부 CT 및 뇌 MRI에서의 의료 영상에 대한 비지도 이상 탐지 방법을 제안하며, 랜덤한 모양과 가장자리 부드럽게 처리한 방식을 사용해 더 현실적이고 도전적인 합성 이상 영역을 생성함으로써 성능을 향상시킵니다. 3D U-Net 기반의 자기지도 학습 및 모델 앙상블을 활용한 이 방법은 MICCAI 2022 MOOD 챌린지에서 샘플 수준 및 픽셀 수준 태스크에서 모두 최고 성능을 기록하여 최신 기술 수준(SOTA)을 달성했습니다.

ABSTRACT

The detection and localization of anomalies is one important medical image analysis task. Most commonly, Computer Vision anomaly detection approaches rely on manual annotations that are both time consuming and expensive to obtain. Unsupervised anomaly detection, or Out-of-Distribution detection, aims at identifying anomalous samples relying only on unannotated samples considered normal. In this study we present a new unsupervised anomaly detection method. Our method builds upon the self-supervised strategy consisting on training a segmentation network to identify local synthetic anomalies. Our contributions improve the synthetic anomaly generation process, making synthetic anomalies more heterogeneous and challenging by 1) using complex random shapes and 2) smoothing the edges of synthetic anomalies so networks cannot rely on the high gradient between image and synthetic anomalies. In our implementation we adopted standard practices in 3D medical image segmentation, including 3D U-Net architecture, patch-wise training and model ensembling. Our method was evaluated using a validation set with different types of synthetic anomalies. Our experiments show that our method improved substantially the baseline method performance. Additionally, we evaluated our method by participating in the Medical Out-of-Distribution (MOOD) Challenge held at MICCAI in 2022 and achieved first position in both sample-wise and pixel-wise tasks. Our experiments and results in the latest MOOD challenge show that our simple yet effective approach can substantially improve the performance of Out-of-Distribution detection techniques which rely on synthetic anomalies.

연구 동기 및 목표

• 비용이 많이 들는 수동 레이블링에 의존하지 않고 비지도 의료 영상 이상 탐지 문제를 해결하기 위해.
• 이상 탐지 성능 향상을 위해 합성 이상 영역의 현실성과 다양성을 향상시키기 위해.
• 기존 방법들이 실제 영상과 합성 이상 영역 간의 고기울기 경계에 의존하는 한계를 극복하기 위해.
• 다양한 의료 영상 모odalities에서 병적 및 비병적 이상을 탐지하기 위한 강력하고 일반화 가능한 방법을 개발하기 위해.
• 정상 데이터만을 사용하여 MICCAI 2022 의료 영상 외부 분포(MOOD) 챌린지에서 최고 성능을 달성하기 위해.

제안 방법

• 표준 입방체가 아닌 복잡한 랜덤 모양의 패치를 사용해 합성 이상 영역을 생성함으로써 다양성을 증가시키기 위해.
• 외부 패치와 원본 영상 간의 가장자리 부드럽게 처리하여 모델이 악용할 수 있는 고기울기 아티팩트를 줄이기 위해.
• 합성 이상 영역을 국소화하기 위해 자기지도 학습 방식으로 3D U-Net 세그멘테이션 네트워크를 훈련시키기 위해.
• 패치 기반 훈련과 슬라이딩 윈도우 추론을 활용해 3D 볼륨에서의 국소화 정확도를 향상시키기 위해.
• 다양한 이상 유형에 걸쳐 강건성과 일반화 능력을 향상시키기 위해 모델 앙상블을 활용하기 위해.
• 성능 향상을 위해 표준 3D 의료 영상 세그멘테이션 기법, 즉 데이터 증강 및 표준 손실 함수를 활용하기 위해.

Figure 1: Texture (foreign patch) and shape components (mask) of the synthetic anomaly generation process.

실험 결과

연구 질문

• RQ1 랜덤한 모양의 합성 이상 영역을 사용하면 의료 영상에서 비지도 이상 탐지의 일반화 능력과 현실성 향상에 기여할 수 있는가?
• RQ2 합성 이상 영역과 배경 영상 간의 가장자리 부드럽게 처리가 더 강건하고 일반화 가능한 OoD 탐지 모델을 만들어낼 수 있는가?
• RQ3 개선된 합성 이상 영역 생성을 갖춘 단순한 자기지도 학습 방식이 실제 문제 도전 과제에서 기존 최신 기술 수준(SOTA) 방법을 능가할 수 있는가?
• RQ4 복부 CT 및 뇌 MRI와 같은 다양한 영상 모달리티 간에 이 방법의 성능는 어떻게 달라지는가?
• RQ5 한 모달리티에 대해 최적화한 하이퍼파rameter 설정을 다른 모달리티로 이식할 수 있는 정도는 어느 정도이며, 이는 교차 모달리티 배포에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 MICCAI 2022 MOOD 챌린지에서 샘플 수준 및 픽셀 수준 이상 탐지 과제에서 모두 1위를 기록했습니다.
• 복부 CT 데이터셋에서 샘플 수준 및 픽셀 수준 평가 모두 1위를 기록했으며, 뇌 MRI 픽셀 수준 과제에서는 4위를 기록했습니다.
• 두 모달리티에서의 우수한 성능로 인해 MOOD 2022 챌린지에서 종합 1위를 달성했습니다.
• 합성 검증 세트에서의 실험 결과, 표준 입방체 형태의 이상 영역을 사용한 기준 방법 대비 성능 향상이 뚜렷하게 나타났습니다.
• 픽셀 수준 과제에서 복부 CT와 뇌 MRI 간의 성능 격차는 모달리티별 하이퍼파rameter 최적화가 필요하다는 것을 시사합니다.
• 이 방법은 임상 현장에서 실시간으로 작동하고 비용 효율적인 도구로서 방사선의사가 이상 및 영상 아티팩트를 탐지하는 데 도움을 줄 잠재력이 큽니다.

Figure 2: Examples of augmented shapes for each category used in the anomaly generation process. Note that these are axial 2D slices of the actual 3D shapes used in our method.