[논문 리뷰] Conditional Infilling GANs for Data Augmentation in Mammogram Classification

Eric Hsiao‐Kuang Wu, Kevin Wu외 2명|arXiv (Cornell University)|2018. 07. 21.

AI in cancer detection참고 문헌 21인용 수 16

한 줄 요약

이 논문은 유방암 분류를 위한 데이터 증강을 향상시키기 위해 병변 마스크와 클래스 레이블을 조건으로 삼는 조건부 인페일링 GANs (ciGAN)를 제안한다. 병변 마스크와 클래스 레이블을 조건으로 삼아, 고해상도이고 맥락적으로 타당한 병변을 생성함으로써, 기준 모델 대비 0.014 AUC 향상과 전통적 증강 기법 대비 0.009 AUC 향상을 달성한다.

ABSTRACT

Deep learning approaches to breast cancer detection in mammograms have recently shown promising results. However, such models are constrained by the limited size of publicly available mammography datasets, in large part due to privacy concerns and the high cost of generating expert annotations. Limited dataset size is further exacerbated by substantial class imbalance since "normal" images dramatically outnumber those with findings. Given the rapid progress of generative models in synthesizing realistic images, and the known effectiveness of simple data augmentation techniques (e.g. horizontal flipping), we ask if it is possible to synthetically augment mammogram datasets using generative adversarial networks (GANs). We train a class-conditional GAN to perform contextual in-filling, which we then use to synthesize lesions onto healthy screening mammograms. First, we show that GANs are capable of generating high-resolution synthetic mammogram patches. Next, we experimentally evaluate using the augmented dataset to improve breast cancer classification performance. We observe that a ResNet-50 classifier trained with GAN-augmented training data produces a higher AUROC compared to the same model trained only on traditionally augmented data, demonstrating the potential of our approach.

연구 동기 및 목표

• 딥러닝 성능을 제한하는 유방촬영 영상 분류에서의 데이터 부족과 클래스 불균형 문제를 해결하기 위해.
• 의료 영상에서 전통적 증강 기법보다 GAN 기반 증강 기법이 더 나은 성능을 내는지 탐색하기 위해.
• 정상 유방촬영 영상의 마스크된 영역을 메우는 방식으로, 현실적인 병변을 생성하는 안정적이고 고해상도의 GAN을 개발하기 위해.
• ResNet-50 분류기로 하류 분류 성능을 평가하기 위해 GAN 기반 증강 데이터의 영향을 분석하기 위해.
• 병변 마스크와 클래스 레이블을 조건으로 삼는 조건부 인페일링이 생성 품질과 하류 작업 정확도를 향상시키는지 입증하기 위해.

제안 방법

• 다중 스케일 조건부 GAN 아키텍처(즉, ciGAN)를 사용하며, 생성자는 손상된 유방촬영 영상 패치의 병변 영역을 메운다.
• 생성자의 입력은 병변이 노이즈로 대체된 손상된 이미지, 병변 마스크, 그리고 양성 또는 악성으로 나누는 이중 채널 클래스 레이블로 구성된다.
• 고해상도 생성 안정성을 향상시키기 위해 업샘플링과 스위프 커넥션을 활용한 캐스케ading 리파인먼트 네트워크를 사용한다.
• 학습은 적대적 손실, 특징 손실(지각 유사성), 경계 손실(병변 마스크 경계 유지)을 조합하여 수행되며, 각각 가중치 1.0, 10.0, 10,000.0으로 설정된다.
• 디스크림리네이터와 함께 공동 학습을 위해 10,000 반복 동안 특징 손실 기반 사전 학습을 수행한 후, Adam 옵timizer를 사용해 100,000 반복 동안 공동 학습을 진행한다.
• 데이터 증강은 합성 병변 생성을 통해 수행되며, 비악성 패치 각각에 대해 다른 악성 패치의 마스크를 사용해 악성 병변을 생성하고, 반대로 악성 패치에 대해 비악성 병변을 생성한다.

실험 결과

연구 질문

• RQ1 조건부 인페일링 GAN은 임상적으로 타당한 병변을 갖춘 고해상도, 현실적인 합성 유방촬영 영상 패치를 생성할 수 있는가?
• RQ2 GAN 기반 데이터 증강은 전통적 증강 기법에 비해 ResNet-50 분류기의 유방암 검출 성능을 향상시키는가?
• RQ3 조건부 GAN 아키텍처에 병변 마스크와 클래스 레이블을 포함시키는 것이 생성 품질과 하류 분류 성능에 어떤 영향을 미치는가?
• RQ4 ciGAN은 의료 영상 GAN에서 흔한 학습 불안정성과 해상도 제한 문제를 효과적으로 해결할 수 있는가?
• RQ5 제안된 증강 전략은 현실적인 소수 클래스 예시를 생성함으로써 유방촬영 데이터셋의 클래스 불균형 문제를 완화하는가?

주요 결과

• ciGAN은 고해상도(256x256) 합성 유방촬영 영상 패치를 성공적으로 생성하여 현실적인 병변 형태와 맥락 일관성을 확보하였다.
• ciGAN 증강 데이터로 훈련된 ResNet-50 분류기는 AUC 0.896을 달성하였으며, 증강 없이 훈련된 기준 모델 대비 0.014 AUC 향상(유의수준 p < 0.01)을 기록하였다.
• ciGAN 증강 모델은 전통적 증강 기법만을 사용한 경우 대비 AUC 0.009 향상(유의수준 p < 0.05)을 기록하여 고도화된 생성 기법의 점진적 성능 향상을 입증하였다.
• 모델은 8,648개의 합성 악성 패치와 1,832개의 합성 비악성 패치를 생성하여, 클래스 균형을 유지하면서 훈련 세트 크기를 약 두 배로 증가시켰다.
• 경계 손실과 특징 손실의 사용은 특히 병변 경계에서의 날카움과 해부학적 타당성을 크게 향상시켰다.
• 실제 데이터 비율을 점진적으로 증가시켜(50%에서 90%로) 훈련하는 전략은 후반기 학습 단계에서 과적합을 방지하고 일반화 능력을 향상시켰다.