[논문 리뷰] Brainomaly: Unsupervised Neurologic Disease Detection Utilizing Unannotated T1-weighted Brain MR Images

Md Mahfuzur Rahman Siddiquee, Jay Shah외 6명|arXiv (Cornell University)|2023. 02. 18.

COVID-19 diagnosis using AI인용 수 6

한 줄 요약

Brainomaly는 비정형 T1-강조 뇌 MRI 영상을 사용하여 신경질환 검출을 위한 GAN 기반의 비지도 이상 탐지 프레임워크를 제안한다. 도메인 특화 이미지 간 번역과 애너테이션 없이도 모델 선택에 사용할 수 있는 가짜 AUC 지표를 활용함으로써, 공개 및 기관 데이터셋에서 알츠하이머병 및 두통 검출 분야에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Harnessing the power of deep neural networks in the medical imaging domain is challenging due to the difficulties in acquiring large annotated datasets, especially for rare diseases, which involve high costs, time, and effort for annotation. Unsupervised disease detection methods, such as anomaly detection, can significantly reduce human effort in these scenarios. While anomaly detection typically focuses on learning from images of healthy subjects only, real-world situations often present unannotated datasets with a mixture of healthy and diseased subjects. Recent studies have demonstrated that utilizing such unannotated images can improve unsupervised disease and anomaly detection. However, these methods do not utilize knowledge specific to registered neuroimages, resulting in a subpar performance in neurologic disease detection. To address this limitation, we propose Brainomaly, a GAN-based image-to-image translation method specifically designed for neurologic disease detection. Brainomaly not only offers tailored image-to-image translation suitable for neuroimages but also leverages unannotated mixed images to achieve superior neurologic disease detection. Additionally, we address the issue of model selection for inference without annotated samples by proposing a pseudo-AUC metric, further enhancing Brainomaly's detection performance. Extensive experiments and ablation studies demonstrate that Brainomaly outperforms existing state-of-the-art unsupervised disease and anomaly detection methods by significant margins in Alzheimer's disease detection using a publicly available dataset and headache detection using an institutional dataset. The code is available from https://github.com/mahfuzmohammad/Brainomaly.

연구 동기 및 목표

• 희귀하거나 복잡한 신경질환에 대해 애너테이션된 신경영상 데이터가 부족한 문제를 해결한다.
• 기존의 비지도 이상 탐지 방법이 신경영상 특성에 맞는 특징을 충분히 활용하지 못하는 한계를 극복한다.
• 정상 및 병변 환자가 혼합된 비정형 데이터를 포함한 실제 데이터셋에서 효과적인 질병 검출을 가능하게 한다.
• 정답 데이터가 없는 검증 샘플을 요구하지 않는 추론을 위한 모델 선택 전략을 개발한다.
• 뇌 MRI에 특화된 도메인 특화 이미지 번역을 통합하여 신경질환 스크리닝의 검출 성능을 향상시킨다.

제안 방법

• T1-강조 뇌 MRI에 특화된 GAN 기반 이미지 간 번역 네트워크를 제안하여 질병 관련 특징 학습을 가능하게 한다.
• 학습 중 정상 및 병변 환자가 혼합된 비정형 혼합 데이터셋을 활용하여 일반화 능력과 이상 탐지 능력을 향상시킨다.
• 정답 데이터가 없는 검증 데이터가 필요 없는 새로운 가짜 AUC 지표를 도입하여 추론 시 모델 선택을 수행한다.
• 정상 뇌 해부 구조를 재구성하면서도 이상으로 간주되는 변형을 강조하도록 모델을 종합적으로 훈련시킨다.
• 사이클 일관성과 적대적 손실을 활용하여 현실적인 이미지 번역과 강력한 특징 표현을 보장한다.
• 해부학적 구조를 유지하고 미세한 병리적 변화에 민감도를 높이기 위해 특징 수준의 재구성 손실을 적용한다.

실험 결과

연구 질문

• RQ1 기존의 비지도 방법과 비교해 볼 때, GAN 기반의 이미지 간 번역 모델이 비정형 T1-강조 뇌 MRI 스캔에서 뛰어난 신경질환 검출 성능을 달성할 수 있는가?
• RQ2 정상 및 병변 환자가 혼합된 비정형 혼합 데이터셋을 학습에 활용함으로써, 클래스 레이블이 없을 경우 검출 성능이 어떻게 향상되는가?
• RQ3 이미지 번역 네트워크의 도메인 특화 설계가 신경질환 검출 정확도에 얼마나 기여하는가?
• RQ4 가짜 AUC 지표가 정답 데이터가 없는 검증 데이터 없이도 효과적으로 모델 선택을 이끌 수 있는가?
• RQ5 Brainomaly는 알츠하이머병 및 두통 관련 병변과 같은 다양한 신경질환에 대해 잘 일반화되는가?

주요 결과

• 공개 데이터셋에서 알츠하이머병 검출에 대해 기존 최신 기술보다 뛰어난 성능을 보이며, AUC에서 유의미한 향상을 달성한다.
• 두통 검출을 위한 기관 데이터셋에서 기존 방법과 비교해 뛰어난 성능을 보이며, 실제 임상 환경에서의 강건성을 확인한다.
• 학습 중 비정형 혼합 데이터셋을 활용함으로써, 명시적인 질병 애너테이션 없이도 검출 일반화 능력이 향상된다.
• 제안된 가짜 AUC 지표를 통해 추론 시 효과적인 모델 선택이 가능하며, 전체 애너테이션을 사용하는 방법과 유사한 검출 성능을 달성한다.
• 절단 실험 결과, 도메인 특화 이미지 간 번역 구성 요소가 뇌 영상에서 높은 검출 정확도를 확보하는 데 핵심적임을 입증한다.
• 다양한 뇌 해부학적 변형과 병리적 패턴에 대해 강력한 성능 유지를 보이며, 복잡한 신경질환 상태에 대한 적응 가능성과 유연성을 보여준다.