[논문 리뷰] One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities

Nicolas Pinon, Robin Trombetta외 1명|arXiv (Cornell University)|2023. 04. 17.

Brain Tumor Detection and ClassificationNeuroscience인용 수 3

한 줄 요약

이 논문은 정상 T1 및 FLAIR 영상에서 압축된 잠재 표현을 학습하기 위해 사일리시 자동에코더를 사용하여 뇌 MRI 백질 비질성 병변(WMH)에 대한 새로운 비지도 이상 탐지 방법을 제안한다. 이후 잠재 공간에서 환자별 One-Class SVM 분류를 수행한다. 이 방법은 WMH 챌린지 데이터셋에서 최신 기술 수준의 성능을 달성하며, 미세한 병변에 대해 뛰어난 민감도를 보이며 CSF 마스크를 통해 낮은 위양성률을 유지한다.

ABSTRACT

Anomaly detection remains a challenging task in neuroimaging when little to no supervision is available and when lesions can be very small or with subtle contrast. Patch-based representation learning has shown powerful representation capacities when applied to industrial or medical imaging and outlier detection methods have been applied successfully to these images. In this work, we propose an unsupervised anomaly detection (UAD) method based on a latent space constructed by a siamese patch-based auto-encoder and perform the outlier detection with a One-Class SVM training paradigm tailored to the lesion detection task in multi-modality neuroimaging. We evaluate performances of this model on a public database, the White Matter Hyperintensities (WMH) challenge and show in par performance with the two best performing state-of-the-art methods reported so far.

연구 동기 및 목표

• 라벨이 부족하거나 가용하지 않은 상황에서 저대비, 미세한 백질 비질성 병변을 탐지하는 데 도전한다.
• 재구성 기반 자동에코더의 한계를 극복하기 위해, 학습된 잠재 공간에서의 분류 기반 이상 탐지 기법을 활용하여 매우 작은 또는 미세한 병변을 탐지한다.
• 동일한 공개 WMH 챌린지 데이터셋을 사용하여 동일한 지표와 프로토콜로 훈련 및 평가함으로써 최신 기술 모델들과의 공정한 비교를 제공한다.
• 임상 센터 간 데이터 분포 이탈이 모델의 일반화 능력과 성능에 미치는 영향을 조사한다.

제안 방법

• 건강한 대조군의 T1 및 FLAIR MRI 스캔에서 추출한 패치를 사용하여 공유 가중치를 갖는 사일리시 자동에코더(SAE)를 훈련하여 공유 잠재 표현을 학습한다.
• 각 패치에 대해 SAE 인코더에서 잠재 특징 z를 추출하여 국소적이고 다중 모odal한 이미지 패턴을 포괄하는 표현 공간을 형성한다.
• 각 환자별로 자신의 잠재 표현 하위집합에 대해 One-Class SVM(OC-SVM)을 미세조정하여 그 환자 고유의 정상 경계를 학습한다.
• 모든 패치에 대해 OC-SVM 결정 점수를 계산하여 전체 뇌에서 추론을 수행하며, 높은 점수는 잠재적인 이상을 나타낸다.
• 심실 및 뇌척수액 영역에서의 위양성률을 감소시키기 위해 CSF 마스크를 사용한 후처리 단계를 적용한다.
• 암스테르담, 싱가포르, 우트레히트의 다중 센터 데이터셋을 사용하여 스캐너 및 촬영 조건의 차이에 대한 모델의 강건성과 일반화 능력을 평가한다.

실험 결과

연구 질문

• RQ1 사일리시 자동에코더와 환자별 One-Class SVM를 조합한 모델이 최신 기술 수준의 생성 모델들과 비교해 비지도 WMH 탐지에서 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 패치 기반 자동에코더의 잠재 공간에서 분류 기반 정상 경계를 학습함으로써, 재구성 오차 기반 방법보다 미세하고 저대비의 WMH 병변을 더 잘 탐지할 수 있는가?
• RQ3 FLAIR 영상에서의 잠재적인 데이터 분포 이탈이 있을 때, 다양한 임상 센터 간 모델 성능은 어떻게 변하는가?
• RQ4 CSF 마스크를 사용한 후처리가 민감도를 크게 훼손하지 않으면서 위양성률을 얼마나 줄일 수 있는가?

주요 결과

• SAE+OC-SVM 모델은 WMH 챌린지에서 두 번째로 높은 성능를 보인 최신 기술 수준의 모델들과 비교해 유사한 성능을 달성했으며, PRO AUC가 0.827로 이상 탐지 능력이 뛰어나다는 것을 시사한다.
• 환자별로 OC-SVM를 튜닝함으로써 단일 전역 OC-SVM보다 성능 향상이 뚜렷하게 향상되었으며, 환자별 정상 모델링의 이점이 확인되었다.
• CSF 마스크 적용으로 위양성률이 크게 감소했으며, 민감도가 약간 감소함에도 불구하고 모든 지표에서 성능 향상이 관찰되었다.
• 모든 모델, 특히 제안된 방법을 포함해 우트레히트 데이터셋에서 성능 저하가 발생했으며, 이는 특히 FLAIR 시퀀스에서 제어군과 테스트 데이터 간의 분포 이탈이 크기 때문일 것이다.
• 평균 병변 부피가 낮은 데이터셋(예: 암스테르담: 13.5k mm³)에서는 성능가 낮아졌으며, 이는 저부하 병변의 경우 민감도에 제한이 있음을 시사한다.
• 학습된 잠재 공간에서의 분류 기반 OC-SVM가 VQ-VAE+Transformer와 같은 생성 모델과도 경쟁 가능한 성능를 달성할 수 있음을 입증하였다. 이는 더 작은, 더 균일한 대조군 데이터셋에서 훈련된 경우에도 성립한다.