[논문 리뷰] ProstateGAN: Mitigating Data Bias via Prostate Diffusion Imaging Synthesis with Generative Adversarial Networks

Xiaodan Hu, Audrey G. Chung외 4명|arXiv (Cornell University)|2018. 11. 14.

Generative Adversarial Networks and Image Synthesis참고 문헌 13인용 수 19

한 줄 요약

ProstateGAN은 전립선 암 분류에서의 데이터 편향을 줄이기 위해 겉보기상 Gleason 점수에 조건부로 설정된 고품질의 현실적인 전립선 확산 MRI 영상을 합성하는 조건부 딥 컨volution GAN입니다. 생성기와 판별기 양쪽에 클래스 레이블을 통합함으로써, Gleason ≥6에서의 어두워진 영역 등 암 특이적 특징을 가진 합성 영상을 생성하여 딥 러닝 모델의 훈련 데이터 균형과 품질을 향상시킵니다.

ABSTRACT

Generative Adversarial Networks (GANs) have shown considerable promise for mitigating the challenge of data scarcity when building machine learning-driven analysis algorithms. Specifically, a number of studies have shown that GAN-based image synthesis for data augmentation can aid in improving classification accuracy in a number of medical image analysis tasks, such as brain and liver image analysis. However, the efficacy of leveraging GANs for tackling prostate cancer analysis has not been previously explored. Motivated by this, in this study we introduce ProstateGAN, a GAN-based model for synthesizing realistic prostate diffusion imaging data. More specifically, in order to generate new diffusion imaging data corresponding to a particular cancer grade (Gleason score), we propose a conditional deep convolutional GAN architecture that takes Gleason scores into consideration during the training process. Experimental results show that high-quality synthetic prostate diffusion imaging data can be generated using the proposed ProstateGAN for specified Gleason scores.

연구 동기 및 목표

• 희귀하거나 고등급의 경우에 대해 데이터 부족과 클래스 불균형 문제를 해결하기 위해.
• 데이터 증강을 위해 현실적이고 고해상도의 전립선 확산 MRI 영상을 생성하는 생성 모델을 개발하기 위해.
• 이미지 합성을 Gleason 점수에 조건부로 설정하여 생성된 영상가 특정 암 등급을 반영하도록 하기 위해.
• 훈련 데이터 세트의 균형과 증강을 통해 딥 러닝 모델의 전립선 암 분류 성능 향상시키기 위해.
• GAN 기반의 합성 기법이 고등급 암 영상에서 이상적인 어두워진 영역과 같은 임상적으로 관련 있는 특징을 효과적으로 생성할 수 있는지 입증하기 위해.

제안 방법

• Gleason 점수에 조건부로 설정된 딥 컨volution GAN(ProstateGAN)은 DCGAN과 CGAN 아키텍처를 결합하여 구현됩니다.
• 생성기는 임의의 노이즈(z)와 one-hot 인코딩된 Gleason 점수(y)를 입력으로 받아, 역전치 컨볼루션을 사용하여 32×32 합성 영상으로 업샘플링합니다.
• 판별기는 동일한 Gleason 점수에 조건부로 설정된 진짜 영상 대비 합성 영상을 평가하며, 스트라이드 컨볼루션과 배치 정규화를 사용합니다.
• 생성기는 적대적 손실를 최소화하도록 훈련되고, 판별기는 진짜 영상와 가짜 영상 간의 구분 능력을 향상시키기 위해 훈련되며, 둘 다 힌지 손실 함수를 사용합니다.
• 판별기의 조건부 손실는 다음과 같이 정의됩니다: $\mathcal{L}_{D}^{conditional} = -\frac{1}{2}\mathbb{E}_{z\sim p_{z}}[1-\log(D(G(z|y)))] - \frac{1}{2}\mathbb{E}_{x\sim p_{x}}[\log(D(x|y))]$.
• 데이터 전처리에는 회전, 정규화, 뒤집기 조치가 포함되며, 훈련에는 학습률 0.0002와 β₁ = 0.5를 사용하는 Adam 옵timizer를 적용합니다.

실험 결과

연구 질문

• RQ1 Gleason 점수에 조건부로 설정된 조건부 GAN이 현실적인 전립선 확산 MRI 영상을 효과적으로 합성할 수 있는가?
• RQ2 생성된 합성 영상이 고등급 전립선 암의 징후가 되는 어두워진 영역 같은 핵심 병리학적 특징을 유지할 수 있는가?
• RQ3 조건부 GAN의 사용이 전립선 암 분류를 위한 훈련 데이터 세트의 균형을 개선하고 편향을 완화하는 데 기여하는가?
• RQ4 다양한 Gleason 점수에서 실제 확산 MRI 스캔 대비 합성 영상의 시각적 품질과 구조적 정밀도는 어떻게 비교되는가?
• RQ5 스트라이드-2 커널을 사용하는 역전치 컨볼루션을 사용함에도 불구하고 생성기가 일관되고 아티팩트 없는 영상을 생성할 수 있는가?

주요 결과

• 생성기 손실는 100개의 훈련 에포크 후 1에서 2 사이로 수렴하였고, 판별기 손실는 약 1로 수렴하여 안정적인 훈련을 나타냈습니다.
• ProstateGAN이 생성한 합성 영상들은 특히 암성 특징이 있는 영역에서 실제 전립선 확산 MRI 스캔과 구조적 및 경계 유사성을 보였습니다.
• 모델은 Gleason 점수가 6 이상인 경우에 이상적인 어두워진 영역을 가진 영상을 성공적으로 생성하여 실제 고등급 암 사례의 핵심 특징을 반영했습니다.
• 훈련 에포크를 거쳐가는 동안의 시각적 진행 상황을 보면 초기의 격자 무늬 아티팩트가 점차 사라지며 생성기의 일반화 능력 향상을 시사했습니다.
• 조건부 아키텍처 덕분에 동일한 노이즈 입력에 대해 에포크 간 일관된 영상 생성이 가능했고, Gleason 점수 조건부 설정도 일관성 있게 유지되었습니다.
• 모델는 특정 암 등급의 해부학적 및 병리학적 특징을 반영하는 다양한 현실적인 전립선 확산 영상을 생성할 수 있는 능력을 보였습니다.