[논문 리뷰] Inception Augmentation Generative Adversarial Network

Saman Motamed, Farzad Khalvati|arXiv (Cornell University)|2020. 06. 05.

COVID-19 diagnosis using AI참고 문헌 22인용 수 4

한 줄 요약

이 논문은 정상 및 폐렴 영상 데이터를 학습 중에 활용하여 폐렴 유형의 흉부 X선 영상을 현실적으로 생성하는 Inception Augmentation Generative Adversarial Network (IAGAN)을 제안한다. 특정 이상 탐지 작업을 위한 데이터 증강에 GAN을 사용함으로써, 기존 AnoGAN의 성능을 향상시켜 소규모 데이터셋에서 폐렴 탐지 시 AUC를 0.83에서 0.88로 상승시킨다.

ABSTRACT

Successful training of convolutional neural networks (CNNs) requires a substantial amount of data. With small datasets, networks generalize poorly. Data Augmentation techniques improve the generalizability of neural networks by using existing training data more effectively. Standard data augmentation methods, however, produce limited plausible alternative data. Generative Adversarial Networks (GANs) have been utilized to generate new data and improve CNN performance. Nevertheless, generative models have not been used for augmenting data to improve the training of another generative model. In this work, we propose a new GAN architecture for semi-supervised augmentation of chest X-rays for the detection of pneumonia. We show that the proposed GAN can augment data for a specific class of images (pneumonia) using images from both classes (pneumonia and normal) in an image domain (chest X-rays). We demonstrate that using our proposed GAN-based data augmentation method significantly improves the performance of the state-of-the-art anomaly detection architecture, AnoGAN, in detecting pneumonia in chest X-rays, increasing AUC from 0.83 to 0.88.

연구 동기 및 목표

• 소규모 의료 영상 데이터셋에서 학습된 CNN의 일반화 능력 부족 문제를 해결하기 위해.
• 기존의 데이터 증강 기법이 기존 데이터의 미세한, 비현실적인 변형만 생성하는 데서 비롯되는 한계를 극복하기 위해.
• 생성 모델을 단순히 데이터 생성을 위한 도구로만 사용하는 것이 아니라, 다른 생성 모델을 훈련하기 위한 데이터 증강 도구로 활용하는 것을 탐색하기 위해.
• 새로운 GAN 아키텍처를 사용하여 특정 클래스 기반의 데이터 증강을 통해 최신 이상 탐지 모델인 AnoGAN의 성능을 향상시키기 위해.

제안 방법

• 제안된 IAGAN 아키텍처는 정상 및 폐렴 영상에 조건을 주어 합성된 폐렴 유사 흉부 X선 영상을 생성하는 조건부 GAN 프레임워크를 사용한다.
• 특징 표현 학습을 향상시키고 생성된 이미지의 품질을 개선하기 위해 Inception 모듈을 통합한다.
• 생성자는 해부학적으로 타당하고 질병 패턴을 유지하는 실제적인, 클래스 기반의 증강 데이터를 생성하도록 훈련된다.
• 판별자는 실제 영상과 생성된 영상을 구분하도록 훈련되며, 동시에 목표 이상 탐지 모델(AnoGAN)의 특징 공간에 의해 안내된다.
• 이 방법은 준지도 학습 전략을 활용하여, 레이블이 부여된 정상 및 폐렴 영상 데이터를 사용해 특정 클래스 기반의 증강을 위한 GAN을 훈련시킨다.
• 생성된 데이터는 AnoGAN의 미세조정에 사용되어, 낮은 데이터 환경에서의 이상 탐지 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 하나의 GAN이 하류 이상 탐지 모델을 위한 현실적이고 클래스 기반의 데이터 증강을 효과적으로 생성할 수 있는가?
• RQ2 GAN 기반의 데이터 증강이 소규모 흉부 X선 영상 데이터셋에서 AnoGAN의 폐렴 탐지 성능을 향상시키는가?
• RQ3 GAN이 정상 및 폐렴 영상 데이터를 동시에 활용하여 현실적인 합성 폐렴 영상을 생성하여 데이터 증강에 활용할 수 있는가?
• RQ4 제안된 IAGAN 방법은 폐렴 탐지에서 AUC 향상 측면에서 기존의 표준 데이터 증강 기법과 비교해 어떻게 성능을 내는가?

주요 결과

• 제안된 IAGAN 기반의 데이터 증강은 흉부 X선 영상에서 AnoGAN의 폐렴 탐지 성능을 크게 향상시킨다.
• IAGAN가 생성한 데이터로 훈련했을 때 AnoGAN의 AUC가 0.83에서 0.88로 상승하여 탐지 능력 향상이 명확하게 확인되었다.
• 생성된 이미지는 현실적이며 질병 특이 패턴을 유지하여 훈련 중 효과적인 일반화를 가능하게 했다.
• 이 방법은 더 다양한 현실적인 훈련 샘플을 생성함으로써 표준 데이터 증강 기법보다 뛰어난 성능을 보였다.