[논문 리뷰] Adversarial Augmentation for Enhancing Classification of Mammography Images

Lukáš Jendele, Ondrej Skopek외 2명|arXiv (Cornell University)|2019. 02. 20.

AI in cancer detection인용 수 5

한 줄 요약

이 논문은 유방 조영 검사 영상의 이진 분류 성능을 햖스리기 위해 CycleGAN을 사용한 적대적 데이터 증강 기법을 제안한다. 실제와 유사한 악성 또는 정상적인 특징을 생성함으로써, 훈련 데이터의 다양성과 균형을 향상시켜 제한적이고 불균형한 데이터셋에서도 분류기 성능을 향상시킨다.

ABSTRACT

Supervised deep learning relies on the assumption that enough training data is available, which presents a problem for its application to several fields, like medical imaging. On the example of a binary image classification task (breast cancer recognition), we show that pretraining a generative model for meaningful image augmentation helps enhance the performance of the resulting classifier. By augmenting the data, performance on downstream classification tasks could be improved even with a relatively small training set. We show that this "adversarial augmentation" yields promising results compared to classical image augmentation on the example of breast cancer classification.

연구 동기 및 목표

• 유방 조영 영상에서 특히 악성(암성) 사례가 희소한 경우, 의료 영상에서의 데이터 부족과 클래스 불균형 문제를 해결한다.
• 임상 데이터셋에서 제한적이고 노이즈가 많으며 편향된 훈련 데이터에 도전하기 위해, 실제와 유사한 영상 변형을 생성한다.
• 생성 기반 데이터 증강을 통해 소규모이고 불균형한 유방촬영 영상 데이터셋에서 딥 러닝 분류기의 성능을 향상시킨다.
• CycleGAN을 활용한 적대적 증강 기법이 기존의 전통적 데이터 증강 기법보다 의료 영상 분류에 더 효과적임을 입증한다.
• 생성 모델이 쌍방향 훈련 데이터 없이도 클래스별로 의미 있는 영상 특징 변환을 학습할 수 있음을 증명하는 개념적 실증을 제공한다.

제안 방법

• 건강한 유방촬영 영상과 악성 영상 간에 쌍이 없는 이미지 간 번역을 수행하는 CycleGAN 모델을 훈련하여 이중 방향 변환을 가능하게 한다.
• 건강한 영상에서 악성 영상으로, 악성 영상에서 건강한 영상으로의 변환을 각각 수행하는 두 개의 생성자-판별자 쌍을 사용하며, 구조적 일관성을 유지하기 위해 사이클 일관성 손실를 적용한다.
• 훈련된 GAN을 사용하여 실제 악성 또는 건강한 특징을 모방하는 합성 영상을 생성함으로써 훈련 세트를 증강한다.
• 실제 영상과 GAN으로 생성된 영상을 결합한 증강된 데이터셋에서 Faster R-CNN 분류기를 미세 조정하여 검출 성능을 향상시킨다.
• 다른 환자 집단의 보류된 테스트 세트에서 ROC AUC 및 F1 스코어와 같은 표준 지표를 사용하여 분류기 성능을 평가한다.
• 실제 데이터로 훈련된 분류기와 전통적인 기법(예: 회전, 뒤집기 등)으로 증강된 데이터로 훈련된 분류기와의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 소규모이고 불균형한 유방촬영 영상 데이터셋에서 CycleGAN을 활용한 적대적 데이터 증강 기법이 딥 러닝 분류기 성능을 향상시킬 수 있는가?
• RQ2 기존의 데이터 증강 기법과 비교해 볼 때, GAN으로 생성된 데이터는 분류기가 새로운 환자 집단에 더 잘 일반화되도록 도와주는가?
• RQ3 훈련 중에 GAN으로 생성된 영상이 포함되었을 때 분류기는 실제 영상과 합성 영상 간을 구분하는 능력을 얼마나 잘 유지하는가?
• RQ4 노이즈가 많고 실제 임상 환경에서의 의료 영상 분류 작업에서, GAN으로 생성된 영상의 품질과 현실성은 하류 분류 성능에 어떤 영향을 미치는가?
• RQ5 쌍이 없는 훈련 데이터가 존재하는 상황에서 생성 모델이 클래스별로 의미 있는 유방촬영 특징 표현을 학습할 수 있는가?

주요 결과

• GAN 증강된 분류기는 INbreast 테스트 세트에서 평균 ROC AUC 82.04% ± 0.57을 기록하여 기준 방법 대비 약간의 측정 가능한 향상을 보였다.
• GAN 증강 모델의 F1 스코어는 63.81% ± 2.04에 도달하여 데이터 불균형에도 불구하고 테스트 세트에서 검출 성능 향상을 나타냈다.
• 원본 데이터셋에서의 분류기 성능은 이미 우수했으며(ROC AUC: 79.05% ± 1.94), GAN 증강으로 인한 성능 저하도 없었기에 합성 데이터에 대한 강건성을 시사했다.
• 동일한 GAN을 사용해 증강한 경우, 분류기는 GAN으로 생성된 영상에 덜 속는 경향을 보였으며, 이는 일반화 능력 향상과 과적합 감소를 의미한다.
• 다소 유망한 결과가 있었지만, 결과의 변동성이 높아 전체적인 향상이 확실하지 않았으며, 이는 훈련 데이터의 노이즈나 GAN 출력의 잡음 요소 때문일 수 있다.
• 이 연구는 CycleGAN을 활용한 적대적 증강 기법이 실재 데이터가 부족한 상황에서 의료 영상 분류에 실용적인 방법임을 확인했지만, 일관된 성능 향상을 위해 추가 최적화가 필요하다.