[논문 리뷰] Deep Generative Models in the Real-World: An Open Challenge from Medical Imaging

Xiaoran Chen, Nick Pawlowski외 3명|arXiv (Cornell University)|2018. 06. 14.

Generative Adversarial Networks and Image Synthesis참고 문헌 28인용 수 38

한 줄 요약

이 논문은 건강한 스캔를 사용하여 정상 조직 분포를 학습하는 자동에코더 기반 딥 생성 모델—VAE, AAE, GAN 등—을 이용해 뇌 MRI에서 비정상성 탐지를 위한 비지도 학습을 평가한다. 강력한 생성 성능에도 불구하고, 특히 T1-가중 이미지에서 탐지 정확도가 제한적이며, 병변 구조를 재구성하고 픽셀 단위 이상 징후를 추정하는 데 있어 향상 여지가 크다는 것을 시사한다.

ABSTRACT

Recent advances in deep learning led to novel generative modeling techniques that achieve unprecedented quality in generated samples and performance in learning complex distributions in imaging data. These new models in medical image computing have important applications that form clinically relevant and very challenging unsupervised learning problems. In this paper, we explore the feasibility of using state-of-the-art auto-encoder-based deep generative models, such as variational and adversarial auto-encoders, for one such task: abnormality detection in medical imaging. We utilize typical, publicly available datasets with brain scans from healthy subjects and patients with stroke lesions and brain tumors. We use the data from healthy subjects to train different auto-encoder based models to learn the distribution of healthy images and detect pathologies as outliers. Models that can better learn the data distribution should be able to detect outliers more accurately. We evaluate the detection performance of deep generative models and compare them with non-deep learning based approaches to provide a benchmark of the current state of research. We conclude that abnormality detection is a challenging task for deep generative models and large room exists for improvement. In order to facilitate further research, we aim to provide carefully pre-processed imaging data available to the research community.

연구 동기 및 목표

• 최신 딥 생성 모델을 이용한 의료 영상에서의 비지도 비정상성 탐지 가능성 평가
• 공개된 뇌 MRI 데이터셋을 이용해 자동에코더 기반 모델(VAE, AAE, GAN 변종)을 비딥러닝 방법과 비교 평가
• T1-가중 대비 T2-가중 MRI 시퀀스에서 병변 탐지에 있어 성능 저하 요인 규명
• 미래의 벤치마킹 및 개발을 지원하기 위해 연구 공동체에 정제된, 사전 처리된 데이터셋 기여
• 사전 처리(예: 데이터 자르기) 및 임계값 선택이 탐지 성능에 미치는 영향 조사

제안 방법

• 건강한 피험자로부터의 T2-가중 및 T1-가중 MRI 스캔에서 자동에코더 기반 생성 모델(VAE, AAE, DAE, GAN 변종)을 학습하여 정상 뇌 조직 분포 학습
• 재구성 오차를 이상 탐지에 대한 대체 지표로 사용: 높은 오차는 잠재적 병변을 시사함
• 비지도 학습으로 병변 영역을 탐지하기 위해 BraTS(종양) 및 ISLES(경색 병변)와 같은 외부 데이터셋에 모델 적용
• 다양한 임계값에서 AUC(ROC 곡선 아래 면적) 및 mDSC(평균 디스크 유사 계수)를 사용해 성능 평가
• 배경 간섭을 줄이고 재구성 집중도를 높이기 위해 학습 중 데이터 자르기 적용
• 최적의 단일 임계값을 고정하지는 않았지만, 백분위수(예: 90번째 백분위수)를 활용한 임계값 선택 탐색

실험 결과

연구 질문

• RQ1 자동에코더 기반 딥 생성 모델은 병변 데이터가 전혀 없는 상태에서 뇌 MRI에서 비정상 병변을 효과적으로 탐지할 수 있는가?
• RQ2 다양한 생성 모델(VAE, AAE, GAN)은 T2-가중 및 T1-가중 MRI 시퀀스에서 병변 탐지에 있어 어떻게 비교되는가?
• RQ3 사전 처리(예: 자르기)는 재구성 품질과 후속 이상 탐지 성능에 어떤 영향을 미치는가?
• RQ4 유사한 학습 데이터를 바탕으로 하여도 왜 모델은 T1-가중 이미지에서 T2-가중 이미지보다 성능이著적으로 열 劣하는가?
• RQ5 재구성 오차만으로 이상을 신뢰할 수 있는 지표로 사용할 수 있는가? 픽셀 단위 확률 추정 향상을 위해선 어떤 개선이 필요한가?

주요 결과

• 컨볼루션 VAE는 BraTS-T2w에서 최고의 mDSC 0.42를 기록하여 베이지안 VAE 및 AAE를 포함한 다른 모델들을 압도함
• ATLAS-T1w에서는 모든 자동에코더 모델이 mDSC 0.1 이하를 기록하여 병변 탐지 능력이 떨어짐에도 불구하고 AUC는 중간 수준 유지
• 감독 학습 기반 U-Net은 ATLAS-T1w에서 딱지 스코어 0.50을 기록하였으며, 이는 상대적으로 낮아 비록 감독 학습 모델이라도 T1-가중 병변 분할에 어려움을 겪고 있음을 시사함
• DAE 및 α-GAN은 상위 3개 모델보다 유의미하게 낮은 성능 보이며, α-GAN은 원본 데이터셋에서 mDSC 0.33, 리샘플링된 데이터셋에서 0.35 기록
• 학습 중 데이터 자르기를 통해 배경 재구성 오차가 감소하고 모델이 관련 해부학적 영역에 집중함으로써 탐지 성능 향상
• 연구는 비지도 비정상성 탐지가 여전히 열린 과제이며, 특히 T1-가중 이미지에서 더욱 그렇다고 결론 내리며, 재구성 품질 및 픽셀 단위 확률 추정 향상이 추가로 필요하다고 강조함