[논문 리뷰] AFSC: Adaptive Fourier Space Compression for Anomaly Detection

Haote Xu, Yunlong Zhang외 4명|ArXiv.org|2022. 04. 17.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 의료 영상의 주파수 도메인에서 건강한 조직 특징을 추출함으로써 비지도 이상 탐지 성능을 햖थ하는 새로운 적응형 푸리에 공간 압축 모듈인 AFSC를 제안한다. 푸리에 공간에서 세기 및 위상 스펙트럼을 동시에 압축함으로써 AFSC는 가짜 건강 이미지 생성을 향상시켜 BraTS 및 MS-SEG 데이터셋에서 최신 기술 수준의 성능을 달성한다. 특히 기존의 AE 및 DRAEM와 같은 방법에 통합되었을 때 뛰어난 성능을 보인다.

ABSTRACT

Anomaly Detection (AD) on medical images enables a model to recognize any type of anomaly pattern without lesion-specific supervised learning. Data augmentation based methods construct pseudo-healthy images by "pasting" fake lesions on real healthy ones, and a network is trained to predict healthy images in a supervised manner. The lesion can be found by difference between the unhealthy input and pseudo-healthy output. However, using only manually designed fake lesions fail to approximate to irregular real lesions, hence limiting the model generalization. We assume by exploring the intrinsic data property within images, we can distinguish previously unseen lesions from healthy regions in an unhealthy image. In this study, we propose an Adaptive Fourier Space Compression (AFSC) module to distill healthy feature for AD. The compression of both magnitude and phase in frequency domain addresses the hyper intensity and diverse position of lesions. Experimental results on the BraTS and MS-SEG datasets demonstrate an AFSC baseline is able to produce promising detection results, and an AFSC module can be effectively embedded into existing AD methods.

연구 동기 및 목표

• 기존의 가짜 건강 이미지 생성 방법이 수동으로 설계하거나 무작위로 생성한 병변에 의존함으로써 발생하는 일반화 한계를 해결한다.
• 실제 병변과의 분포 불일치로 인해 인위적 병변의 일반화 능력이 떨어지는 문제를 해결한다.
• 주파수 도메인 내 임상적 데이터의 내재적 특성을 탐색하여 이상 탐지 성능 향상을 위한 강건한 병변 무관 건강 조직 표현을 추출한다.
• 기존의 이상 탐지 프레임워크에 재설계 없이도 통합 가능한 융통성 있는 플러그인 모듈을 개발한다.
• 푸리에 공간의 구성 요소(세기 및 위상)에 대한 적응형 압축이 더 해부학적으로 정확한 가짜 건강 복원 및 더 나은 이상 지역 규명을 가능하게 한다는 것을 입증한다.

제안 방법

• 입력 영상의 푸리에 변환에 작용하는 적응형 푸리에 공간 압축 모듈(AFSCm)을 제안하며, 세기 및 위상 스펙트럼 모두를 대상으로 한다.
• 건강한 조직 표현을 위해 가장 필수적인 주파수 성분만 유지하는 스파arsity 기반 압축을 적용하여 병변 간섭을 줄인다.
• 고정 또는 무작위 마스크가 아닌 몬테카를로 샘플링을 영감으로 삼은 미분 가능하고 학습 가능한 마스크 전략을 사용해 주요 주파수 성분을 적응적으로 식별한다.
• 기존의 이상 탐지 프레임워크(AE, DRAEM 등)에 플러그인 모듈로 통합하여 가짜 건강 이미지 생성을 향상시킨다.
• 입력 영상와 생성된 가짜 건강 영상 간 복원 손실을 사용해 모델을 엔드 투 엔드로 훈련하며, AFSCm 모듈은 주파수 도메인 스파arsity 최적화를 담당한다.
• GAN 유사 구조에서 디스criminator를 활용하여 실제 건강 영상와 생성된 가짜 건강 출력을 구분함으로써 특징 품질과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 푸리에 도메인에서 세기 및 위상 성분을 동시에 압축하면 이상 탐지에서 가짜 건강 이미지 생성 품질과 일반화 능력이 향상되는가?
• RQ2 푸리에 공간에서 적응형 학습 가능한 압축 마스크가 고정 또는 무작위 마스크보다 건강 조직 구조를 더 잘 유지하는가?
• RQ3 제안된 AFSC 모듈은 다양한 기존 이상 탐지 프레임워크에 효과적으로 통합되어 성능을 향상시킬 수 있는가?
• RQ4 AnoGAN, DRAEM, AE와 같은 최신 기술 대비 AFSC는 이상 지역 규명 정확도 및 강건성 측면에서 어떻게 비교되는가?
• RQ5 주파수 도메인 압축은 재구성 과정에서 비정상적 또는 분포 외 병변의 간섭을 어느 정도 줄이는가?

주요 결과

• AFSC는 BraTS2017 데이터셋에서 최신 기술 수준의 성능을 달성하여, DRAEM 및 AE를 포함한 모든 베이스라인을 능가했으며, DICE(0.814 ± 0.006) 및 APpix(0.143 ± 0.003) 지표에서 뛰어난 성능을 보였다.
• DRAEM에 통합된 DRAEM_G w/AFSCm 버전은 BraTS2017에서 최고 성능을 기록했으며, DICE 점수는 0.889 ± 0.018, APpix는 0.187 ± 0.009를 기록했다.
• AE w/AFSCm 버전은 라이브러리 기반 AE보다 BraTS2017에서 뛰어난 성능을 보였으며, 이는 입력이 건강한 영상일 경우에도 AFSCm이 성능 향상에 기여한다는 것을 입증한다.
• 더 도전적인 MS-SEG2015 데이터셋에서 AFSC는 최고의 DICE 점수(0.769 ± 0.016)를 기록하여 소형 및 미세한 병변에 대한 강건성을 확인했다.
• 동일한 스파arsity를 가진 무작위 마스크로 AFSCm을 대체하면 모든 지표에서 성능이 떨어졌으며, 이는 적응형 압축 메커니즘의 분류적 가치를 입증한다.
• 시각화 결과, AFSC가 생성한 가짜 건강 영상가 더 해부학적으로 정확하고 병변 영역가 더 잘 건강 조직으로 재구성된 것으로 확인되었다.