[논문 리뷰] Simple statistical methods for unsupervised brain anomaly detection on MRI are competitive to deep learning methods

Victor Saase, Holger Wenz외 3명|arXiv (Cornell University)|2020. 11. 25.

Brain Tumor Detection and Classification참고 문헌 28인용 수 5

한 줄 요약

이 연구는 단순한 통계적 방법—보체별 가우시안 모델, 공분산 추정, PCA 기반 선형 투영—이 비지도 학습 뇌 MRI 이면 검출에서 딥 러닝(3D 컨volution 오토에인코더)과 동등한 성능을 달성함을 보여준다. 439건의 다중 매개변수 뇌 MRI 스캔으로 구성된 신규 전문가가 정제한 데이터셋에서 이러한 방법들은 작은 병변 탐지에서 딥 러닝을 능가했으며, 더 뛰어난 해석 가능성과 훈련 안정성을 제공했다.

ABSTRACT

Statistical analysis of magnetic resonance imaging (MRI) can help radiologists to detect pathologies that are otherwise likely to be missed. Deep learning (DL) has shown promise in modeling complex spatial data for brain anomaly detection. However, DL models have major deficiencies: they need large amounts of high-quality training data, are difficult to design and train and are sensitive to subtle changes in scanning protocols and hardware. Here, we show that also simple statistical methods such as voxel-wise (baseline and covariance) models and a linear projection method using spatial patterns can achieve DL-equivalent (3D convolutional autoencoder) performance in unsupervised pathology detection. All methods were trained (N=395) and compared (N=44) on a novel, expert-curated multiparametric (8 sequences) head MRI dataset of healthy and pathological cases, respectively. We show that these simple methods can be more accurate in detecting small lesions and are considerably easier to train and comprehend. The methods were quantitatively compared using AUC and average precision and evaluated qualitatively on clinical use cases comprising brain atrophy, tumors (small metastases) and movement artefacts. Our results demonstrate that while DL methods may be useful, they should show a sufficiently large performance improvement over simpler methods to justify their usage. Thus, simple statistical methods should provide the baseline for benchmarks. Source code and trained models are available on GitHub (https://github.com/vsaase/simpleBAD).

연구 동기 및 목표

• 단순한 통계적 방법이 비지도 학습 뇌 MRI 이면 검출에서 딥 러닝의 성능을 따라할 수 있는지 평가하는 것.
• 439건(395건 건강, 44건 병리적)의 신규 전문가가 정제한 다중 매개변수 MRI 데이터셋을 사용하여 벤치마크를 설정하는 것.
• 뇌 위축, 종양, 운동 아티팩트와 같은 임상적 이상에 대해 보체별 모델, 공분산 추정, PCA, 3D 컨volution 오토에인코더의 탐지 정확도를 비교하는 것.
• 의료 영상 이면 검출 분야에서 새로운 딥 러닝 접근법을 평가하기 위한 기준으로 단순한 통계적 방법을 권장하는 것.
• 재현성과 임상 적용을 지원하기 위해 오픈소스 구현 및 훈련된 모델을 제공하는 것.

제안 방법

• 모든 건강한 스캔에서 MRI 시퀀스별 강도 분포를 기반으로 보체별 가우시안 모델을 훈련시켰다(N=351).
• 건강한 뇌 조직 내 시퀀스 간 관계를 모델링하기 위해 보체별 공분산 추정을 적용했다.
• 3D 볼륨 전역의 공간 패턴에 대해 주성분 분석(PCA)을 사용하여 저차원 표현을 학습했다.
• 비교를 위한 대표적인 딥 러닝 모델로 3D 컨볼루션 오토에인코더를 훈련시켰다.
• 모든 방법에 대해 샘플 수준 및 보체 수준의 지표를 사용해 평가했다: AUC 및 평균 정밀도(AP), 임상 케이스 분석을 포함한다.
• 다양한 병변에 대한 정성적 평가를 수행했다: 뇌 위축, 소규모 전이성 종양, 운동 아티팩트.

실험 결과

연구 질문

• RQ1 보체별 가우시안 분포 및 PCA와 같은 단순한 통계 모델이 비지도 학습 뇌 MRI 이면 검출에서 딥 러닝과 동등한 성능를 달성할 수 있는가?
• RQ2 이러한 방법들은 딥 러닝 오토에인코더에 비해 작은 병변 탐지에서 어떻게 성능를 보이는가?
• RQ3 모델 복잡도, 해석 가능성, 훈련 안정성의 상대적 영향은 임상적 유용성에 어떤 영향을 미치는가?
• RQ4 딥 러닝 모델이 단순한 통계적 방법에 비해 임상 환경에서 사용할 가치가 충분히 큰 성능 향상을 제공하는가?
• RQ5 단순한 방법들이 신경 radiology 분야에서 새로운 딥 러닝 기반 이면 검출 알고리즘 평가의 신뢰할 수 있는 기준이 될 수 있는가?

주요 결과

• 보체별 공분산 추정이 3D 컨볼루션 오토에인코더와 유사한 AUC 및 평균 정밀도 값을 달성했으며, 테스트 세트(N=44)에서 유의미한 성능 격차가 없었다.
• 특히 PCA 및 보체별 모델을 포함한 단순한 통계적 방법들이 딥 러닝 모델보다 작은 병변, 예를 들어 다수의 전이성 종양 탐지에서 뛰어난 성능를 보였다.
• PCA 기반 방법은 딥 러닝 오토에인코더에 비해 더 빠른 훈련 속도, 더 높은 안정성, 더 뛰어난 해석 가능성을 보였다.
• 3D 컨볼루션 오토에인코더는 특히 저대비 또는 작은 병변의 보체 수준 탐지에서 최상의 단순 방법들보다 약간 열등한 성능를 보였다.
• 이 연구는 딥 러닝 모델이 정제된 데이터셋에서 임상적으로 중요한 이상을 탐지하는 데서 단순한 통계적 모델을 유의미하게 능가하지 못한다는 것을 발견했다.
• 저자들은 비지도 의료 영상 이면 검출에서 새로운 딥 러닝 접근법을 평가하기 위해 단순한 방법들을 기준으로 사용해야 한다고 결론을 내렸다.