[논문 리뷰] Realistic Adversarial Data Augmentation for MR Image Segmentation

Chen Chen, Chen Qin외 7명|arXiv (Cornell University)|2020. 06. 23.

Adversarial Robustness in Machine Learning참고 문헌 32인용 수 10

한 줄 요약

이 논문은 생성 네트워크를 사용하지 않고 MRI에서 흔한 강도 비균일성(비균일성)을 시뮬레이션하기 위해 적대적 편향 필드를 생성하는 현실적인 적대적 데이터 증강 방법을 제안한다. 이는 모델의 강건성과 일반화 능력을 향상시키며, MR 영상 분할 성능을 저하시키지 않고도 저자료 및 교차 인구 집단 설정에서 성능을 향상시킨다. 이 방법은 어려운 현실적인 강도 손상에 대해 적대적으로 최적화함으로써 저자료 및 교차 인구 집단 설정에서 성능을 향상시키며, 준감독 및 저샷 학습 시나리오에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Neural network-based approaches can achieve high accuracy in various medical image segmentation tasks. However, they generally require large labelled datasets for supervised learning. Acquiring and manually labelling a large medical dataset is expensive and sometimes impractical due to data sharing and privacy issues. In this work, we propose an adversarial data augmentation method for training neural networks for medical image segmentation. Instead of generating pixel-wise adversarial attacks, our model generates plausible and realistic signal corruptions, which models the intensity inhomogeneities caused by a common type of artefacts in MR imaging: bias field. The proposed method does not rely on generative networks, and can be used as a plug-in module for general segmentation networks in both supervised and semi-supervised learning. Using cardiac MR imaging we show that such an approach can improve the generalization ability and robustness of models as well as provide significant improvements in low-data scenarios.

연구 동기 및 목표

• 최소한의 레이블 데이터로 모델의 일반화 능력과 강건성을 향상시켜 의료 영상 분할에서의 데이터 부족 문제를 해결한다.
• 복잡한 생성 모델에 의존하지 않고 실제 MRI 아티팩트—특히 편향 필드 비균일성—을 시뮬레이션한다.
• 감독 및 준감독 분할 네트워크 모두와 호환되는 즉시 사용 가능한 효율적인 데이터 증강 모듈을 개발한다.
• 학습 중에 어려운 현실적인 예측 불확실성을 유도하는 적대적 방식으로 강도 변형에 대한 모델의 강건성을 향상시킨다.
• 분포 이탈과 데이터 부족이 핵심 과제가 되는 저자료 및 교차 인구 집단 시나리오에서의 효과성을 입증한다.

제안 방법

• MRI 영상에서 흔한 편향 필드 효과를 시뮬레이션하는 물리 기반 강도 변환 모델을 도입한다.
• 모델의 불확실성을 최대화하는 가장 도전적인 현실적인 강도 손상에 대해 적대적 훈련을 수행한다.
• KL 발산과 보완 정규화 항(𝒟comp)을 조합한 미분 가능한 손실을 사용하여 적대적 편향 필드 생성을 유도한다.
• 어려운 분할 영역에서 예측 불확실성을 최대화하도록 편향 필드 파라미터를 최적화하여 적대적 예제를 생성한다.
• 학습 중에 적대적 예제를 정규화 요소로 적용하여, 네트워크가 텍스처 기반 특징보다 형태 기반 특징을 학습하도록 유도한다.
• 이 방법은 경량이며 생성 네트워크가 필요 없으며, 기존 분할 아키텍처에 즉시 통합 가능한 플러그인 형태로 제공된다.

실험 결과

연구 질문

• RQ1 실제 편향 필드 아티팩트를 사용한 적대적 데이터 증강이 MR 영상 분할에서 일반화 능력과 강건성을 향상시키는가?
• RQ2 저자료 및 교차 인구 집단 설정에서 기존 데이터 증강 및 다른 적대적 방법과 비교해 적대적 편향 필드 증강은 어떻게 성능을 내는가?
• RQ3 생성 모델 기반 증강을 요구하지 않고도 물리적으로 타당한 강도 손상에 대해 적대적 훈련이 GAN이나 복잡한 훈련 없이도 우수한 성능을 낼 수 있는가?
• RQ4 건강한 환자 데이터로만 훈련했을 때 병변이 있는 케이스에서 성능 향상이 이루어지는가?
• RQ5 제한된 레이블 데이터로 준감독 학습에서 이 방법이 얼마나 효과적인가?

주요 결과

• 교차 인구 집단 테스트 세트에서 제안된 방법은 딱시 스코어 0.868을 기록하여 믹스업(0.833)과 VAT(0.859)를 앞서며 특히 MINF 케이스에서 뛰어난 성능을 보였다.
• 단 한 명의 레이블이 있는 저자료 준감독 학습에서 딱시 스코어 0.686을 달성하여 VAT(0.625)를 능가하고 cGAN과 경쟁 수준의 성능을 보였다.
• 적대적 편향 필드 증강은 랜덤 편향 필드 증강 대비 딱시 스코어를 0.852에서 0.868로 향상시켜 일반화 능력을 향상시켰다.
• 보완 정규화 항 𝒟comp의 사용으로 평균 딱시 스코어가 0.859에서 0.868로 향상되어 더 강건한 특징 학습이 가능함을 확인했다.
• 건강한 환자 데이터로만 훈련했을 때도 병변이 있는 케이스에서 성능 저하를 효과적으로 완화하여 분포 이탈에 대한 강건성을 입증했다.
• 시각화 결과, 방법이 해부학적 구조를 유지하면서 다양한 이미지 스타일을 생성함으로써 형태 기반 표현 학습을 촉진함을 확인했다.