[논문 리뷰] AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection

Mehdi Astaraki, Francesca De Benetti외 6명|arXiv (Cornell University)|2023. 05. 21.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

AutoPaint는 의료 영상에서 비지도 이상 탐지용 자가보정 프레임워크를 제안하며, 건강한 해부학적 구조를 재구성하고 종양을 학습된 정상 조직으로 대체하기 위해 강력한 보정 모델을 활용한다. 이 방법은 폐 및 두부/목 종양의 PET, CT, PET-CT 스캔에서 최신 기술 수준의 성능을 달성하며, 이상에 대한 레이블이 전혀 필요 없이 지도 학습 분할 성능에 맞먹는다.

ABSTRACT

Robust and accurate detection and segmentation of heterogenous tumors appearing in different anatomical organs with supervised methods require large-scale labeled datasets covering all possible types of diseases. Due to the unavailability of such rich datasets and the high cost of annotations, unsupervised anomaly detection (UAD) methods have been developed aiming to detect the pathologies as deviation from the normality by utilizing the unlabeled healthy image data. However, developed UAD models are often trained with an incomplete distribution of healthy anatomies and have difficulties in preserving anatomical constraints. This work intends to, first, propose a robust inpainting model to learn the details of healthy anatomies and reconstruct high-resolution images by preserving anatomical constraints. Second, we propose an autoinpainting pipeline to automatically detect tumors, replace their appearance with the learned healthy anatomies, and based on that segment the tumoral volumes in a purely unsupervised fashion. Three imaging datasets, including PET, CT, and PET-CT scans of lung tumors and head and neck tumors, are studied as benchmarks for evaluation. Experimental results demonstrate the significant superiority of the proposed method over a wide range of state-of-the-art UAD methods. Moreover, the unsupervised method we propose produces comparable results to a robust supervised segmentation method when applied to multimodal images.

연구 동기 및 목표

• 의료 영상에서 지도 학습 이상 탐지용 대규모 완전 레이블링 데이터셋의 부족을 해결하기 위해.
• 비라벨링 데이터로부터 종합적이고 해부학적으로 일관된 정상 조직 표현을 학습하기 위해.
• 비지도 방식으로 종양을 자동으로 탐지하고 재구성된 정상 조직으로 대체하는 자가보정 파이프라인을 개발하기 위해.
• 이상 레이블이 전혀 필요 없이 지도 학습 방법과 비교할 만한 분할 성능를 달성하기 위해.
• PET, CT, PET-CT를 포함한 다양한 영상 모odal에서의 성능을 평가하여 강인성과 일반화 능력을 확보하기 위해.

제안 방법

• 깊이 학습 기반 보정 모델은 고해상도 해부학적 구조를 재구성하면서 공간적 및 맥락적 제약 조건을 유지하는 데 전적으로 건강한 비라벨링 의료 영상에서 훈련된다.
• 모델은 주변 건강한 조직에 주의를 기울여 손실 영역(예: 종양)을 예측하며, 인식적 손실 및 적대적 손실을 포함한 생성적 적대적 네트워크(GAN) 또는 유사 아키텍처를 사용한다.
• 자기보정 파이프라인을 도입함: 종양은 먼저 재구성 오차가 높은 영역으로 탐지되고, 이후 모델이 생성한 건강한 조직으로 대체된다.
• 재구성 오차 지ap은 이상 탐지용 이상 점수로 사용되며, 보정된 영역은 종양의 분할 마스크를 생성하는 데 사용된다.
• 훈련 중에 경계 상자, 마스크, 클래스 레이블 등 어떤 이상 레이블도 필요로 하지 않는 순수 비지도 방식으로 작동한다.
• 프레임워크는 세 가지 임상 데이터셋에서 평가되었으며, PET, CT, PET-CT 스캔에서 폐 및 두부/목 종양을 포함한다.

실험 결과

연구 질문

• RQ1 건강한 영상에서만 훈련된 자기보정 모델이 해부학적으로 타당성을 유지하는 방식으로 종양을 탐지하고 재구성할 수 있는가?
• RQ2 레이블이 없는 상황에서 보정 모델의 재구성 오차는 실제 종양 위치와 어떻게 관련이 있는가?
• RQ3 비지도 자기보정 파이프라인이 다중 모달 의료 영상에서 지도 학습 방법과 비교해 분할 성능를 얼마나 잘 달성할 수 있는가?
• RQ4 이 방법은 PET, CT, PET-CT와 같은 다양한 영상 모달 및 폐, 두부/목 등 다양한 해부학적 부위에서 일반화 가능한가?
• RQ5 이상 탐지 및 분할 정확도 측면에서 최신 비지도 이상 탐지 기술과 비교해 어떻게 성능를 내는가?

주요 결과

• AutoPaint는 폐 및 두부/목 종양의 PET, CT, PET-CT 스캔에서 최신 기술 수준의 비지도 이상 탐지 방법 전반에 걸쳐 모든 세 가지 벤치마크 데이터셋에서 승리한다.
• 이상 레이블이 전혀 없는 상태에서 훈련되었음에도 불구하고, 강력한 지도 학습 분할 모델과 비교해 유사한 분할 성능를 달성한다.
• 재구성 오차 지도는 종양을 효과적으로 국소화하며, 이는 모델이 정상 해부학을 의미 있는 방식으로 학습하고 있음을 시사한다.
• 자기보정 과정은 종양 영역을 해부학적으로 타당한 조직으로 성공적으로 대체하며, 모델이 구조적 및 맥락적 통합성을 유지할 수 있음을 보여준다.
• 이 프레임워크는 다양한 영상 모달 및 해부학적 영역에서 잘 일반화되며, 영상 대비 및 해상도 변화에 대해 강인함을 보였다.
• 제거 실험을 통해 보정 과정에서 해부학적 제약 조건을 사용할 경우 재구성 정확도 및 이상 탐지 정확도가 크게 향상됨을 확인했다.