[논문 리뷰] Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network

Nan Wang, Cheng‐Wei Chen외 2명|arXiv (Cornell University)|2020. 07. 09.

Anomaly Detection Techniques and Applications참고 문헌 26인용 수 9

한 줄 요약

이 논문은 정상 뇌 MRI 스캔에서만 훈련하는 잠재 공간 정규화된 적대적 네트워크를 사용하여 반감독 학습 기반 뇌 종양 이상 탐지 방법을 제안한다. 단일 값 분해를 통한 특징 분리 향상을 위해 이미지 공간과 잠재 공간에서의 재구성 최적화를 동시에 수행함으로써, BraTS, HCP, MNIST 및 CIFAR-10에서 최신의 supervised 방법을 능가하는 이상 탐지 성능을 달성한다. 특히 BraTS에서 잠재 공간 재구성 오차를 이상도 수치로 사용할 경우 AUC 점수가 최대 0.994에 이를 수 있다.

ABSTRACT

With the development of medical imaging technology, medical images have become an important basis for doctors to diagnose patients. The brain structure in the collected data is complicated, thence, doctors are required to spend plentiful energy when diagnosing brain abnormalities. Aiming at the imbalance of brain tumor data and the rare amount of labeled data, we propose an innovative brain tumor abnormality detection algorithm. The semi-supervised anomaly detection model is proposed in which only healthy (normal) brain images are trained. Model capture the common pattern of the normal images in the training process and detect anomalies based on the reconstruction error of latent space. Furthermore, the method first uses singular value to constrain the latent space and jointly optimizes the image space through multiple loss functions, which make normal samples and abnormal samples more separable in the feature-level. This paper utilizes BraTS, HCP, MNIST, and CIFAR-10 datasets to comprehensively evaluate the effectiveness and practicability. Extensive experiments on intra- and cross-dataset tests prove that our semi-supervised method achieves outperforms or comparable results to state-of-the-art supervised techniques.

연구 동기 및 목표

• 의료 영상에서 라벨이 부여된 뇌 종양 영상의 데이터 불균형과 부족 문제를 해결한다.
• 광범위한 라벨가능한 비정상 데이터가 필요하고 알려진 병변 유형을 전제로 하는 완전한 감독 학습 방법의 한계를 극복한다.
• 사전 노출 없이도 알려지지 않은 또는 희귀한 뇌 병변을 식별할 수 있는 강력하고 일반화 가능한 이상 탐지 프레임워크를 개발한다.
• 픽셀 수준의 재구성 오차에만 의존하는 것과는 달리, 잠재 공간 최적화에 초점을 맞춤으로써 탐지 성능을 향상시킨다.
• 다양한 병리적 뇌 영상을 수집하는 데 비용과 시간이 많이 들기 때문에 임상 현장에서의 실용적 구현을 가능하게 한다.

제안 방법

• 정상(내재적) 뇌 MRI 영상에서만 훈련하는 반감독 학습 기반 GAN 기반 프레임워크를 제안한다.
• 잠재 표현을 제약하고 특징 분리 성능을 향상시키기 위해 특이값 분해(SVD)를 통한 잠재 공간 정규화를 도입한다.
• 다중 손실 함수를 사용하여 생성자와 판별자를 동시에 최적화한다: 이미지 공간 및 잠재 공간에서의 재구성 손실와 적대적 손실.
• 이상도 수치로 잠재 공간 재구성 오차(||z - z'||)를 사용하며, 픽셀 수준의 재구성 오차보다 더 뛰어난 분류 성능을 보인다.
• 잠재 특징 공간에서 정상 및 비정상 샘플 간의 분리 가능성을 향상시키기 위해 다목적 훈련 목표를 적용한다.
• 추론 단계에서 훈련된 모델을 활용하여 테스트 샘플의 잠재 공간에서 정상 분포로부터의 이탈 정도를 측정함으로써 이상을 탐지한다.

실험 결과

연구 질문

• RQ1 정상 뇌 MRI 스캔에서만 훈련된 반감독 학습 기반 이상 탐지 모델이 다양한 알려지지 않은 뇌 종양 유형을 효과적으로 탐지할 수 있는가?
• RQ2 특이값 분해를 통한 잠재 공간 제약가능성이 이상 탐지에 있어 학습된 특징의 분류 성능 향상에 기여하는가?
• RQ3 잠재 공간 재구성 오차와 픽셀 수준 재구성 오차는 정상 및 비정상 뇌 영상 간의 구분에 있어 어떤 정도로 성능이 다른가?
• RQ4 제안된 방법이 BraTS, HCP, MNIST 및 CIFAR-10와 같은 다양한 데이터셋에 대해 얼마나 잘 일반화되는가?
• RQ5 분포 이탈이 발생하는 경우에도 모델이 높은 성능을 유지할 수 있는가?

주요 결과

• 잠재 공간 재구성 오차를 사용할 경우 BraTS 데이터셋에서 AUC 0.994를 달성하였으며, 픽셀 수준 재구성 오차(AUC 0.938)보다 뚜렷한 성능 향상을 보였다.
• MNIST에서 잠재 기반 이상도 수치는 AUC 0.868에서 0.937로 향상되어 상대적 향상률 7.3%를 기록하였으며, 이는 향상된 특징 수준의 분류 성능를 입증한다.
• CIFAR-10에서는 픽셀 수준 기반 AUC 0.617에서 잠재 수준 기반 AUC 0.797로 향상되어 특징 표현 품질 향상이 일관되게 관찰되었다.
• 모델는 다양한 데이터셋 간 평가에서도 뛰어난 성능 유지를 보였으며, 분포 이탈 조건에서도 성능 저하가 최소한이었고, 이는 강력한 일반화 능력을 시사한다.
• 잠재 공간의 시각화 결과 SVD 정규화를 적용한 경우 정상(파랑)과 비정상(빨강) 샘플 간 명확한 분리가 관찰되어 특징 분리 성능 향상이 확인되었다.
• BraTS에서 슬라이스 단위 종양 탐지 시, ceVAE, VAE, AE, VAE-H 및 ELBO Gradient와 같은 최신 감독 학습 기반 방법들과 비교해도 성능을 뛰어나거나 유사한 성능을 기록하였다.