[논문 리뷰] Analyzing Data Augmentation for Medical Images: A Case Study in Ultrasound Images

Adam Tupper, Christian Gagné|arXiv (Cornell University)|2024. 03. 14.

Medical Imaging Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 연구는 유방 병변 분류를 위한 초음파 영상에서의 데이터 증강을 철저히 평가하며, 다양한 증강 기법에서 무작위로 샘플링하는 것이 특히 TrivialAugment를 사용할 경우 기준 방법 대비 최대 10.4%의 정확도 향상을 이끌어내는 것으로 밝혀졌다. 이 방법은 고정된 순서의 증강 기법과 개별 증강 기법보다 일관되게 뛰어난 성능을 보이며, 특히 기하학적 변환 기법이 광학적 변환 기법보다 더 효과적인 것으로 나타났다.

ABSTRACT

Data augmentation is one of the most effective techniques to improve the generalization performance of deep neural networks. Yet, despite often facing limited data availability in medical image analysis, it is frequently underutilized. This appears to be due to a gap in our collective understanding of the efficacy of different augmentation techniques across medical imaging tasks and modalities. One domain where this is especially true is breast ultrasound images. This work addresses this issue by analyzing the effectiveness of different augmentation techniques for the classification of breast lesions in ultrasound images. We assess the generalizability of our findings across several datasets, demonstrate that certain augmentations are far more effective than others, and show that their usage leads to significant performance gains.

연구 동기 및 목표

• 의료 영상 분야에서 데이터 증강 기법의 활용이 부족한 문제를 해결하기 위해, 특히 유방 초음파 분류 분야에서의 데이터 증강 활용을 다루기 위해.
• 다양한 데이터셋과 작업에서 일부 증강 기법이 다른 기법보다 더 효과적인 이유를 규명하기 위해.
• 고정된 증강 기법 순서와 다양한 증강 기법에서의 무작위 샘플링 중 어느 것이 더 높은 성능을 낼 수 있는지 규명하기 위해.
• 딥 러닝을 위한 유방 초음파 영상 분석에 표준화되고 경험적으로 검증된 데이터 증강 전략을 제공하기 위해.

제안 방법

• 통계적 엄밀함을 확보하기 위해, $5\times2$ 교차검증 프레임워크를 사용하고, 대응 t-검정과 Holm-Bonferroni 보정을 적용하여 증강 전략 간 비교를 수행하였다.
• 일반적으로 사용되는 설정을 바탕으로 한쪽 검정을 통해 개별 증강 기법의 효과를 평가하였으며, 성능 향상이 유의미한 경우에 집중하였다.
• 두 변환 기법의 조합 성능을 평가하기 위해, 순서가 정해진 조합을 테스트하여 상호작용 효과와 복합적 성과 향상을 분석하였다.
• 무작위 샘플링 전략은 TrivialAugment를 사용하여 증강 기법 풀의 크기와 각 이미지에 적용되는 연산 수를 늘여가며 평가하였다.
• 세 가지 다른 작업 간 성능을 비교하기 위해, BUSI 병리, BUS-BRA 병리, BUS-BRA BI-RADS 분류 작업을 대상으로 하였다.
• 광학적 및 기하학적 증강 기법을 별도로 평가하고 조합하여, 각 기법이 모델 성능에 기여하는 정도를 평가하였다.

Figure 1 : The change in balanced validation accuracy for each data augmentation across the three tasks.

실험 결과

연구 질문

• RQ1 다양한 데이터셋에서 유방 병변의 초음파 영상 분류 성능을 향상시키는 데 있어 어떤 개별 데이터 증강 기법이 유의미한 개선을 이끌어내는가?
• RQ2 고정된 증강 기법 순서와 다양한 증강 기법에서의 무작위 샘플링 간 성능는 어떻게 비교되는가?
• RQ3 개별 증강 기법의 효과는 다양한 작업(예: 병리 진단 대비 BI-RADS 분류)과 데이터셋 간에 달라지는가?
• RQ4 광학적 및 기하학적 증강 기법을 조합할 경우 모델의 일반화 능력과 정확도에 어떤 영향을 미치는가?
• RQ5 개별 증강 기법이 약한 경우에도, 다양한 증강 기법 풀에서의 무작위 샘플링 전략이 결정론적 순서 전략을 일관되게 능가할 수 있는가?

주요 결과

• TrivialAugment를 사용하여 다양한 증강 기법 풀에서 무작위로 샘플링한 결과, BUS-BRA BI-RADS 분류 작업에서 최대 10.4%의 정확도 향상이 관찰되었으며, 이는 관찰된 최고의 성과 향상이다.
• 다양한 작업에서 성능 향상을 유의미하게 이끌어낸 유일한 개별 증강 기법은 무작위 회전이었으며, 이는 작업 및 데이터셋에 따라 효과가 달라지는 것을 시사한다.
• 고정된 증강 기법 순서는 최소한의 이점을 제공했고, 강력한 변환 기법을 조합하더라도 종종 상당한 성과 향상을 이룰 수 없었다.
• 기하학적 변환 기법만을 사용할 경우 광학적 변환 기법보다 성능이 뛰어났지만, 두 기법을 조합할 경우 전체적으로 가장 뛰어난 성능를 기록했다.
• 증강 기법 풀의 크기와 적용되는 연산 수가 증가할수록 성능 향상이 증가하여, 개별 기법의 강도보다 다양성과 다수의 적용이 더 중요하다는 점을 시사한다.
• 다양한 증강 기법 풀에서의 무작위 샘플링 전략은 개별 증강 기법이 효과가 없더라도 다른 모든 방법보다 일관되게 뛰어난 성능를 보였다.

Figure 2 : Change in balanced validation accuracy using two sequential operations compared to using Operation 1 alone.