[논문 리뷰] Markov-Chain Monte Carlo Approximation of the Ideal Observer using Generative Adversarial Networks

Weimin Zhou, Mark A. Anastasio|arXiv (Cornell University)|2020. 01. 26.

Generative Adversarial Networks and Image Synthesis참고 문헌 16인용 수 6

한 줄 요약

이 논문은 복잡한 확률적 객체 모델(SOM)을 모델링하기 위해 마르코프 체인 몬테카를로(MCMC) 기법과 생성적 적대적 네트워크(GAN)를 조합하여 의료 영상에서 이상 관찰자(IO) 성능을 근사하는 새로운 방법을 제안한다. 배경 이미지에 대해 GAN을 훈련하고 GAN의 잠재공간에서 MCMC 샘플링을 수행함으로써, 신호가 정확히 알려진(SKE) 및 신호가 통계적으로 알려진(SKS) 작업 모두에 대해 정확한 IO 추정이 가능해지며, 럼블 배경 모델에서 전통적인 MCMC와 유사한 결과를 도출한다.

ABSTRACT

The Ideal Observer (IO) performance has been advocated when optimizing medical imaging systems for signal detection tasks. However, analytical computation of the IO test statistic is generally intractable. To approximate the IO test statistic, sampling-based methods that employ Markov-Chain Monte Carlo (MCMC) techniques have been developed. However, current applications of MCMC techniques have been limited to several object models such as a lumpy object model and a binary texture model, and it remains unclear how MCMC methods can be implemented with other more sophisticated object models. Deep learning methods that employ generative adversarial networks (GANs) hold great promise to learn stochastic object models (SOMs) from image data. In this study, we described a method to approximate the IO by applying MCMC techniques to SOMs learned by use of GANs. The proposed method can be employed with arbitrary object models that can be learned by use of GANs, thereby the domain of applicability of MCMC techniques for approximating the IO performance is extended. In this study, both signal-known-exactly (SKE) and signal-known-statistically (SKS) binary signal detection tasks are considered. The IO performance computed by the proposed method is compared to that computed by the conventional MCMC method. The advantages of the proposed method are discussed.

연구 동기 및 목표

• 복잡한 데이터 기반의 확률적 객체 모델(SOM)에 대해 기존의 단순 분석 모델을 초월해 MCMC 기반 이상 관찰자 근사의 적용 범위를 확장하는 것.
• 복잡한 배경 변동성이 포함된 현실적인 의료 영상 작업에서 분석적 IO 계산의 비가역성 문제를 해결하는 것.
• 심층 생성 모델(GAN)을 활용해 SOM을 표현하고 MCMC 샘플링을 통해 우도 비율 추정이 가능한 일반화 가능한 프레임워크를 개발하는 것.
• SKE 및 SKS 신호 탐지 작업 모두에 대해 제안된 MCMC-GAN 방법을 럼블 배경 모델에서 전통적인 MCMC와 비교하여 검증하는 것.

제안 방법

• 100,000장의 럼블 배경 이미지 데이터셋을 기반으로 생성적 적대적 네트워크(GAN)를 훈련하여 배경 변동성을 나타내는 확률적 객체 모델(SOM)을 학습한다.
• GAN의 생성기 네트워크는 저차원 잠재 벡터 z를 통해 합성 배경 이미지 b = G(z; ΘG)를 생성함으로써 학습된 배경 분포에서 샘플링이 가능해진다.
• 특히 랜덤 워크 메트로폴리스-하스팅스(RWMH) 알고리즘을 사용한 마르코프 체인 몬테카를로(MCMC) 기법을 훈련된 GAN의 잠재공간에 적용하여 후행 분포 p(z|g, H₀)에서 샘플링한다.
• SKE 작업의 경우, 우도 비율은 MCMC 샘플의 잠재 벡터 z에 대해 ΛBKE(g|b(z))의 평균을 통해 근사한다.
• SKS 작업의 경우, 잠재 벡터 z와 신호 파라미터 α를 함께 샘플링하고, BSKE 우도 비율에 대한 평균을 통해 우도 비율을 추정한다.
• MCMC 체인은 100,000회 반복하고 1,000단계의 버닝 인터벌을 적용하며, 수신기 작동 특성(ROC) 곡선은 메츠-ROC 소프트웨어를 사용하여 생성 및 피팅한다.

실험 결과

연구 질문

• RQ1 생성적 적대적 네트워크(GAN)를 통해 학습된 확률적 객체 모델(SOM)에 대해 MCMC 기법을 효과적으로 적용하여 이상 관찰자(IO) 성능을 근사할 수 있는가?
• RQ2 표준 럼블 배경 모델에 적용했을 때 제안된 MCMC-GAN 방법의 성능은 전통적인 MCMC 방법과 비교해 어떻게 되는가?
• RQ3 MCMC-GAN 프레임워크는 신호가 정확히 알려진(SKE) 및 신호가 통계적으로 알려진(SKS) 탐지 작업을 모두 처리할 수 있는가?
• RQ4 분석적 또는 전통적인 샘플링 기반 방법과 비교해 GAN으로 학습된 SOM을 사용한 IO 성능 추정의 정확도는 어느 정도인가?
• RQ5 이 프레임워크는 기존 MCMC 접근 방식에 비해 비가역적인 복잡하고 현실적인 객체 모델로 일반화될 수 있는가?

주요 결과

• MCMC-GAN 방법은 SKE 및 SKS 작업 모두에서 럼블 배경 모델에 대해 전통적인 MCMC 방법과 유사한 ROC 곡선과 AUC 값을 생성하였다.
• SKE 탐지 작업에서 MCMC-GAN 방법으로 계산된 AUC 값은 0.921이었고, 전통적인 MCMC 방법의 0.923과 거의 동일한 성능를 보였다.
• SKS 탐지 작업에서 MCMC-GAN 방법의 AUC 값은 0.854였고, 전통적인 MCMC 방법의 0.856과 유사하여 방법의 정확도를 추가로 검증하였다.
• 이 방법은 GAN의 잠재공간에서의 MCMC 샘플링을 성공적으로 수행하여, 복잡한 데이터 기반 SOM이 IO 근사에 활용될 수 있음을 보였다.
• 이 접근 방식은 GAN으로 학습 가능한 모든 객체 모델에 일반화 가능하며, 기존의 단순 분석 모델을 초월해 MCMC 기반 IO 추정의 적용 범위를 크게 확장한다.
• 다양한 GAN 생성기의 미분 가능성 덕분에 MCMC 제안 분포에서 기울기 정보를 활용하는 것이 가능하며, 이는 더 효율적인 샘플링을 가능하게 한다.