[논문 리뷰] Few-Shot Anomaly Detection for Polyp Frames from Colonoscopy

Yu Tian, Gabriel Maicas외 4명|arXiv (Cornell University)|2020. 06. 26.

Anomaly Detection Techniques and Applications참고 문헌 29인용 수 5

한 줄 요약

이 논문은 소수의 비정상 훈련 샘플을 사용하여 대장내시경 영상에서 폴립을 포함하는 프레임을 식별하기 위한 소수의 이상 탐지 프레임워크인 FSAD-NET을 제안한다. 이 방법은 상호정보량 최대화 인코더와 점수 추론 네트워크를 결합하여 40장의 비정상 이미지로도 최신 기술 수준의 AUC 0.9033을 달성하며, 제로샷 및 불균형 학습 베이스라인에 비해 뛰어난 성능과 강건성을 입증한다.

ABSTRACT

Anomaly detection methods generally target the learning of a normal image distribution (i.e., inliers showing healthy cases) and during testing, samples relatively far from the learned distribution are classified as anomalies (i.e., outliers showing disease cases). These approaches tend to be sensitive to outliers that lie relatively close to inliers (e.g., a colonoscopy image with a small polyp). In this paper, we address the inappropriate sensitivity to outliers by also learning from inliers. We propose a new few-shot anomaly detection method based on an encoder trained to maximise the mutual information between feature embeddings and normal images, followed by a few-shot score inference network, trained with a large set of inliers and a substantially smaller set of outliers. We evaluate our proposed method on the clinical problem of detecting frames containing polyps from colonoscopy video sequences, where the training set has 13350 normal images (i.e., without polyps) and less than 100 abnormal images (i.e., with polyps). The results of our proposed model on this data set reveal a state-of-the-art detection result, while the performance based on different number of anomaly samples is relatively stable after approximately 40 abnormal training images.

연구 동기 및 목표

• 매우 제한된 비정상 예측 예시가 있는 대장내시경 영상에서 희귀 폴립 포함 프레임을 탐지하는 데 도전하는 것.
• 정상 조직에 가까운 작은 또는 미세한 폴립을 잘못 분류하는 제로샷 이상 탐지 방법의 문제를 개선하는 것.
• 풍부한 정상 이미지와 소수의 비정상 이미지를 활용하여 일반화 능력을 향상시키는 소수의 학습 프레임워크를 개발하는 것.
• 30~40장의 비정상 훈련 샘플로도 안정적이고 높은 성능의 이상 탐지가 가능하도록 하는 것.
• 임상 환경에서 재현 가능하고 공개 가능한 소수의 폴립 탐지 솔루션을 제공하는 것.

제안 방법

• 정상 대장내시경 영상와 그들의 학습된 임bedding 간의 상호정보량(MI)을 최대화하도록 훈련된 특징 인코더를 사용한다.
• 점수 추론 네트워크(SIN)는 정상 이미지 임베딩을 특징 공간에서 가까이 모으고 비정상 임베딩을 정상 클러스터에서 멀리 밀어내도록 훈련된다.
• 표현 학습을 위한 분별적 표현 학습을 보장하기 위해 상호정보량 최대화 기반의 대비 손실을 사용하여 인코더를 사전 훈련한다.
• 점수 추론 네트워크는 이상 점수를 최적화하기 위해 대비 손실을 사용하며, 정상 및 비정상 샘플을 명시적으로 구분한다.
• 13,000장 이상의 정상 프레임과 100장 미만의 비정상 프레임을 포함한 극도로 불균형한 데이터셋에서 프레임워크를 훈련한다.
• AUC를 사용하여 모델을 평가하며, 표현 학습 및 상호정보량 최대화의 기여도를 평가하기 위해 분석 실험을 실시한다.

실험 결과

연구 질문

• RQ1 소수의 이상 탐지 프레임워크는 제로샷 방법에 비해 대장내시경 영상의 미세 폴립 탐지에서 더 우수한 성능을 보일 수 있는가?
• RQ2 소수의 비정상 훈련 샘플을 통합함으로써 제로샷 또는 불균형 학습 베이스라인에 비해 탐지 성능이 어떻게 향상되는가?
• RQ3 안정적이고 높은 성능의 이상 탐지 달성에 필요한 최소 비정상 훈련 샘플 수는 얼마인가?
• RQ4 인코더에서 상호정보량 최대화가 오토인코더 기반 또는 표준 분류 손실에 비해 폴립 탐지에 더 나은 특징 표현을 제공하는가?
• RQ5 의료 영상 이상 탐지에서 극도로 불균형한 클래스 분포에 대해 제안된 방법은 얼마나 강건한가?

주요 결과

• FSAD-NET은 40장의 비정상 이미지로 훈련했을 때 최신 기술 수준의 AUC 0.9033을 달성하며, ADGAN(AUC 0.7391) 및 f-AnoGAN(AUC 0.6997)을 포함한 모든 제로샷 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 30장 이상의 비정상 훈련 샘플을 사용할 경우 AUC가 0.85 이상을 유지하여 소규모 훈련 세트에 대한 강건성을 입증했다.
• 성능은 약 30~40개의 비정상 샘플에서 안정화되며, 이 이상일 경우 수익 감소 현상이 나타남을 시사한다.
• 분석 실험 결과 표현 학습(RL)을 제거할 경우 AUC가 0.6011로 감소하여 표현 학습이 모델 성능에 핵심적인 역할을 한다는 것을 입증했다.
• 상호정보량 최대화를 깊이 있는 오토인코더(AE 네트워크)로 대체할 경우 정확도가 낮아지며(AUC 0.835 vs. 0.9033), MI 기반 표현 학습의 우수성을 확인했다.
• 데이터 증강을 적용한 Densenet121 베이스라인(AUC 0.8231)과 학습 가중치 재조정 베이스라인(AUC 0.7862)을 모두 초월하여 극도로 소수의 학습 환경에서도 효과적인 성능을 입증했다.