[논문 리뷰] PrepNet : a convolutional auto-encoder to homogenize CT scans for cross-dataset medical image analysis

Mohammadreza Amirian, Javier A. Montoya‐Zegarra외 6명|arXiv (Cornell University)|2021. 10. 01.

COVID-19 diagnosis using AIMedicine인용 수 1

한 줄 요약

PrepNet은 다양한 스캐너 기술 간의 통합된 이미지 표현을 학습함으로써 2차원 CT 스캔에서 교차 데이터셋 변동성을 줄이는 학습 가능한 컨volution 오토인코더입니다. 여러 데이터셋을 함께 훈련하여 도메인 식별기를 속이도록 함으로써, 내부 데이터셋 성능은 약간 감소(1.83pp)하지만 교차 데이터셋 코로나19 진단 정확도를 최대 11.84%p 향상시킵니다.

ABSTRACT

With the spread of COVID-19 over the world, the need arose for fast and precise automatic triage mechanisms to decelerate the spread of the disease by reducing human efforts e.g. for image-based diagnosis. Although the literature has shown promising efforts in this direction, reported results do not consider the variability of CT scans acquired under varying circumstances, thus rendering resulting models unfit for use on data acquired using e.g. different scanner technologies. While COVID-19 diagnosis can now be done efficiently using PCR tests, this use case exemplifies the need for a methodology to overcome data variability issues in order to make medical image analysis models more widely applicable. In this paper, we explicitly address the variability issue using the example of COVID-19 diagnosis and propose a novel generative approach that aims at erasing the differences induced by e.g. the imaging technology while simultaneously introducing minimal changes to the CT scans through leveraging the idea of deep auto-encoders. The proposed prepossessing architecture (PrepNet) (i) is jointly trained on multiple CT scan datasets and (ii) is capable of extracting improved discriminative features for improved diagnosis. Experimental results on three public datasets (SARS-COVID-2, UCSD COVID-CT, MosMed) show that our model improves cross-dataset generalization by up to $11.84$ percentage points despite a minor drop in within dataset performance.

연구 동기 및 목표

• 다른 스캐너와 기관 간의 CT 스캔 획득 방식의 변동성으로 인한 의료 영상 분석에서의 도메인 이동 문제를 해결하기 위해.
• 스캐너 특화 아티팩트를 줄이면서 진단적으로 관련된 특징을 유지하는 학습 가능한 사전처리 방법을 개발하기 위해.
• 다양한 획득 프로토콜을 가진 공개 CT 데이터셋을 활용하여 코로나19 진단의 교차 데이터셋 일반화를 향상시키기 위해.
• 실제 세계 벤치마크에서 방법을 검증하여 여러 공개 데이터셋 간의 이식 가능성 입증하기 위해.

제안 방법

• PrepNet은 입력 CT 스캔을 재구성하고, 스캔 원천을 식별하는 도메인 식별기를 속이는 이중 목적을 가진 딥 컨volution 오토인코더입니다.
• 모델은 SARS-CoV-2, UCSD COVID-CT, MosMed 등의 여러 CT 데이터셋을 함께 훈련하여 잠재 공간에서의 도메인 특화 특징을 최소화합니다.
• 모델 아키텍처는 공유 인코더와 디코더를 사용하며, 식별기가 데이터셋 원천을 식별하도록 하고, 오토인코더는 이를 숨기도록 적대적 훈련을 수행합니다.
• GAN에 영감을 받은 적대적 학습을 활용하지만, 이미지 생성이 아니라 사전처리에 초점을 맞춥니다.
• 사전처리 단계는 최종 분류기 이전에 통합되어 기울기 역전파를 통한 엔드 투 엔드 훈련이 가능합니다.
• 표준 전이 학습 프rotocol를 사용하여 평가합니다: 한 데이터셋에서 훈련하고 다른 데이터셋에서 테스트하며, 교차 데이터셋 균형 정확도를 측정합니다.

실험 결과

연구 질문

• RQ1 수동 데이터 증강이나 도메인 특화 미세조정에 의존하지 않고도, 학습 가능한 오토인코더가 다양한 스캐너에서 온 2D CT 스캔의 도메인 이동을 줄일 수 있는가?
• RQ2 기본 모델 대비 PrepNet이 코로나19 진단의 교차 데이터셋 일반화에 얼마나 향상시키는가?
• RQ3 도메인 특화 특징의 감소가 원본 데이터셋에서의 진단 성능에 비용이 되는가?
• RQ4 이상적인 이미지 품질과 다양한 획득 프로토콜을 가진 여러 공개 데이터셋에 모델을 일반화할 수 있는가?
• RQ5 오토인코더에 의해 유도된 재구성 아티팩트는 손실 모니터링 및 아키텍처 개선을 통해 감지되고 제거될 수 있는가?

주요 결과

• SARS-CoV-2 CT 스캔 데이터셋에서 한 데이터셋에서 훈련하고 다른 데이터셋에서 테스트할 경우, PrepNet은 교차 데이터셋 균형 정확도를 11.84%p 향상시킵니다.
• MosMed 데이터셋에서 사전처리기로 사용할 경우, 모델은 균형 정확도를 10.07%p 향상시킵니다.
• UCSD COVID-CT 데이터셋에서 내부 데이터셋 성능은 1.83%p 감소하여, 도메인 불변성과 진단 정확성 간의 상충 관계를 보여줍니다.
• 도메인 분류기 정확도가 근처 무작위 수준으로 낮아져, 효과적인 도메인 이동 감소가 확인되었습니다.
• 재구성 아티팩트는 일부 케이스에서 관찰되었으며, 특히 고대비 영역에서 뚜렷하고 재구성 손실 증가와 관련이 있었습니다.
• 이 방법은 다양한 CT 데이터셋 간의 전이 학습을 가능하게 하여, 다중 센터 의료 영상 작업에 광범위한 적용 가능성을 시사합니다.