[논문 리뷰] Detecting Outliers with Foreign Patch Interpolation

Jeremy Tan, Benjamin Hou외 3명|arXiv (Cornell University)|2020. 11. 09.

Anomaly Detection Techniques and Applications참고 문헌 57인용 수 14

한 줄 요약

이 논문은 다양한 환자로부터의 패치 간 보간 인자를 예측하도록 훈련된 넓은 잔차 U-Net을 사용하여 약한 병변을 탐지하기 위한 자기지도 학습 방법인 외부 패치 보간(Foreign Patch Interpolation, FPI)을 제안한다. 모델은 정상 해부학적 맥락을 학습하고 이질적인 패턴을 식별하며, MICCAI 2020 MOOD 챌린지에서 최고 성능을 기록했고, 병변 탐지에 있어 복원 기반 방법보다 DeepLesion 데이터셋에서 뛰어난 성능을 보였다.

ABSTRACT

In medical imaging, outliers can contain hypo/hyper-intensities, minor deformations, or completely altered anatomy. To detect these irregularities it is helpful to learn the features present in both normal and abnormal images. However this is difficult because of the wide range of possible abnormalities and also the number of ways that normal anatomy can vary naturally. As such, we leverage the natural variations in normal anatomy to create a range of synthetic abnormalities. Specifically, the same patch region is extracted from two independent samples and replaced with an interpolation between both patches. The interpolation factor, patch size, and patch location are randomly sampled from uniform distributions. A wide residual encoder decoder is trained to give a pixel-wise prediction of the patch and its interpolation factor. This encourages the network to learn what features to expect normally and to identify where foreign patterns have been introduced. The estimate of the interpolation factor lends itself nicely to the derivation of an outlier score. Meanwhile the pixel-wise output allows for pixel- and subject- level predictions using the same model.

연구 동기 및 목표

• 정상 병변 훈련 데이터가 제공되지 않을 때 미세하고 다양한 의료 영상 이상 징후를 탐지하는 문제를 해결하기 위해.
• 정상 해부학적 변동성에 일반화되면서도 미세한 변화에 민감한 자기지도 학습 방법을 개발하기 위해.
• 복원 오차에 의존하지 않고도 픽셀 수준과 환자 수준의 이상 탐지에 모두 사용 가능한 통합 모델을 구축하기 위해.
• 일반적으로 복원 기반 방법이 간과하는 임상적으로 중요한 이상 징후, 예를 들어 미세한 병변의 탐지 성능을 향상시키기 위해.
• 이상 징후가 다양하고 사전에 알려지지 않은 실세계 의료 영상 환경에서 강력하고 일반화 가능한 이상 탐지 기능을 제공하기 위해.

제안 방법

• 두 개의 독립된 환자로부터 패치를 추출하고, 균일 분포에서 샘플링한 무작위 보간 인자를 사용해 이를 보간함으로써 합성 이상 영상을 생성한다.
• 외부 패턴 탐지를 위해 맥락에서 학습하기 위해, 보간 인자 예측 및 패치 복원을 동시에 수행하는 넓은 잔차 인코더-디코더 네트워크를 훈련한다.
• 보간 인자 추정치는 직접적인 이상도 점수로 사용되며, 높은 값일수록 정상적인 외관에서의 이질성 정도가 크다는 것을 의미한다.
• 픽셀 수준의 예측을 통해 동일한 모델과 훈련 절차를 사용해 픽셀 수준 및 환자 수준의 이상 탐지가 가능하다.
• 검증 단계에서 이상 영상을 사용하지 않아, 예상치 못한 비정상 패턴에 대한 일반화 능력이 유지된다.
• 쌍방향으로 정렬되지 않은 정상 영상 데이터를 끝에서 끝까지 훈련하여, 자연적인 해부학적 변동성을 활용해 비정상성을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 실제 비정상 훈련 데이터에 접근할 수 없을 때, 외부 패치 보간 기반 자기지도 학습 방법이 미세하고 다양한 의료 영상 이상 징후를 탐지할 수 있는가?
• RQ2 DeepLesion 데이터셋에서 FPI는 복원 기반 방법보다 미세 병변 탐지 성능에서 어떻게 비교되는가?
• RQ3 재훈련 없이 다양한 해부학적 영역과 영상 대비에서 일반화 가능한가?
• RQ4 보간 인자가 다양한 비정상 패턴에 대해 신뢰할 수 있고 해석 가능한 이상도 점수를 제공하는가?
• RQ5 실세계 의료 영상 벤치마크에서 FPI는 제로샷 이상 탐지에서 최고 성능을 달성할 수 있는가?

주요 결과

• FPI는 2020년 MICCAI MOOD 챌린지에서 샘플 수준 및 픽셀 수준 태스크에서 모두 최고 순위를 기록하여, 예상치 못한 비정상 패턴에 대한 강력한 일반화 능력을 입증했다.
• DeepLesion 데이터셋에서 FPI는 복원 기반 방법이 강조하지 못한 미세 병변을 성공적으로 탐지했으며, 해당 방법들이 영상 수준 탐지에서 AUROC 점수가 0.5 이하였음에도 불구하고 말이다.
• 높은 해부학적 변동성에 대해 강건하며, 강도의 불일치나 심각한 구조적 변화 없이도 이상을 탐지할 수 있다.
• 보간 인자 추정치는 이질적 패턴의 도입 정도를 효과적으로 캡처하여 신뢰할 수 있고 해석 가능한 이상도 점수를 제공한다.
• FPI는 복원 오차가 아닌 구조적 불일치에 초점을 맞추므로, 복원 기반 방법보다 미세 병변 탐지에서 뛰어난 성능을 보인다.
• 뇌와 Abdominal MOOD 챌린지 영상에서 일관된 성능을 보여 이식된 해부학적 영역과 영상 대비 간의 일반화 능력이 뛰어나다는 것이 입증되었다.