[논문 리뷰] Spectral Data Augmentation Techniques to quantify Lung Pathology from CT-images

Subhradeep Kayal, Florian Dubost외 2명|arXiv (Cornell University)|2020. 04. 24.

Radiomics and Machine Learning in Medical Imaging참고 문헌 18인용 수 5

한 줄 요약

이 논문은 CT 영상에서 폐 병변 분할 성능을 향상시키기 위해 이산余弦변환(DCT)과 이산웨이블릿변환(DWT)을 활용한 스펙트럼 데이터 증강 기법을 제안한다. 주파수 성분에 노이즈를 추가함으로써 스캔 프로토콜의 변형을 시뮬레이션하는 합성 영상을 생성하며, 이는 기존 증강 기법과 조합될 경우 특히 병변이 있는 클래스의 F1-스코어를 단순 복제 대비 44.1% 향상시키는 등 성능을 크게 향상시킨다.

ABSTRACT

Data augmentation is of paramount importance in biomedical image processing tasks, characterized by inadequate amounts of labelled data, to best use all of the data that is present. In-use techniques range from intensity transformations and elastic deformations, to linearly combining existing data points to make new ones. In this work, we propose the use of spectral techniques for data augmentation, using the discrete cosine and wavelet transforms. We empirically evaluate our approaches on a CT texture analysis task to detect abnormal lung-tissue in patients with cystic fibrosis. Empirical experiments show that the proposed spectral methods perform favourably as compared to the existing methods. When used in combination with existing methods, our proposed approach can increase the relative minor class segmentation performance by 44.1% over a simple replication baseline.

연구 동기 및 목표

• 희귀 폐 병변(예: 낭성 섬유증)에 대해 클래스 불균형과 제한된 레이블링 데이터 문제를 해결한다.
• 다양하고 현실적인 합성 훈련 샘플을 생성함으로써 저자료 환경에서 딥 러닝 모델의 일반화 성능을 향상시킨다.
• 공간 도메인 기법과 보완적인 접근으로 주파수 도메인 데이터 증강을 탐색한다.
• DCT와 DWT와 같은 스펙트럼 변환 기법이 폐 CT 영상 분할 성능 향상에 얼마나 효과적인지 평가한다.
• 임상 영상 작업에서 스펙트럼 증강의 최적의 노이즈 수준과 조합 전략을 규명한다.

제안 방법

• CT 영상을 주파수 성분으로 분해하기 위해 이산余소변환(DCT)을 적용하고, 계수에 비례하는 가우시안 노이즈를 추가하여 합성 영상을 생성한다.
• 이산웨이블릿변환(DWT)을 사용해 다중 스케일에서 근사 및 세부 계수로 영상을 분해함으로써 국소 주파수 분석을 가능하게 한다.
• 스펙트럼 계수에 크기 비례 노이즈를 도입한 후 역 DCT 또는 역 DWT를 통해 합성 영상을 재구성한다.
• 노이즈 강도는 계수 값에 상대적인 최대 노이즈 수준을 설정하는 파라미터 η를 통해 제어하며, R 값은 0에서 η 사이에서 선형으로 샘플링된다.
• 표준 데이터 증강 기법(예: 애핀 변환, 탄성 변형, 강도 이동)과 스펙트럼 증강을 조합하여 모델의 강건성을 향상시킨다.
• 증강된 데이터로 U-Net 모델을 훈련하고, 픽셀 수준의 분할 출력을 개선하기 위해 형태학적 구멍 메꾸기 기법을 적용한다.

실험 결과

연구 질문

• RQ1 DCT와 DWT를 활용한 스펙트럼 데이터 증강이 저자원 생물의학 영상 분석 환경에서 분할 성능 향상에 기여할 수 있는가?
• RQ2 탄성 변형과 애핀 변환과 같은 전통적 공간 도메인 증강 기법과 비교해 스펙트럼 증강의 성능는 어떠한가?
• RQ3 효과적인 합성 훈련 샘플을 생성하기 위해 스펙트럼 성분에서 최적의 노이즈 수준(η)은 무엇인가?
• RQ4 기존 데이터 증강 방법과 스펙트럼 증강을 조합하면 모델 일반화 성능 향상에 상호보완적 효과를 낼 수 있는가?
• RQ5 스펙트럼 증강은 과적합을 줄이고 폐 조직 분할에서 소수의 병변 클래스에 대한 F1-스코어 향상에 기여할 수 있는가?

주요 결과

• η = 0.5%로 설정한 DWT 기반 스펙트럼 증강 기법이 테스트 세트에서 가장 높은 F1-스코어(0.34581)를 기록하며, 다른 모든 개별 증강 기법을 앞서나갔다.
• 애핀 변환과 탄성 변형과 조합된 DWT@0.5% 증강 기법은 단순 복제 대비 병변 클래스의 F1-스코어를 44.1% 향상시켰다.
• 노이즈 수준(η)이 높아질수록 스펙트럼 기법의 성능이 감소함을 확인하여 다양성과 신호 무결성 사이의 상충 관계를 확인할 수 있었다.
• DWT 기반 증강이 DCT 기반 증강보다 성능이 뛰어난 것은 국소 주파수 정보를 더 잘 포착할 수 있기 때문일 것으로 추정된다.
• 표준 기법(애핀, 탄성, 강도)과 스펙트럼 증강을 조합한 결과가 전체적으로 가장 뛰어난 성능을 보였으며, 두 번째로 좋은 개별 기법보다 F1-스코어에서 10.3% 높았다.
• 결과는 스펙트럼 증강이 공간 도메인 기법과 보완적인 정보를 제공하며 스캔 프로토콜의 변형에 대한 모델 강건성을 향상시킨다는 것을 보여준다.