[논문 리뷰] Unsupervised Anomaly Detection for X-Ray Images

Diana Davletshina, Valentyn Melnychuk외 6명|arXiv (Cornell University)|2020. 01. 29.

Anomaly Detection Techniques and Applications참고 문헌 23인용 수 10

한 줄 요약

이 논문은 자동에코더(AE)와 GAN 기반 모델을 사용하여 X선 영상에 대한 비지도 이상 탐지 프레임워크를 제안하며, 노이즈 감소 및 탐지 성능 향상을 위해 다단계 전처리 파이프라인을 통합한다. α-GAN을 사용할 경우 ROC-AUC가 60.7%에 도달하고, CAE는 57%를 기록하며, 픽셀 수준의 이상 히트맵은 임상적 활용에 높은 해석 가능성을 제공한다.

ABSTRACT

Obtaining labels for medical (image) data requires scarce and expensive experts. Moreover, due to ambiguous symptoms, single images rarely suffice to correctly diagnose a medical condition. Instead, it often requires to take additional background information such as the patient's medical history or test results into account. Hence, instead of focusing on uninterpretable black-box systems delivering an uncertain final diagnosis in an end-to-end-fashion, we investigate how unsupervised methods trained on images without anomalies can be used to assist doctors in evaluating X-ray images of hands. Our method increases the efficiency of making a diagnosis and reduces the risk of missing important regions. Therefore, we adopt state-of-the-art approaches for unsupervised learning to detect anomalies and show how the outputs of these methods can be explained. To reduce the effect of noise, which often can be mistaken for an anomaly, we introduce a powerful preprocessing pipeline. We provide an extensive evaluation of different approaches and demonstrate empirically that even without labels it is possible to achieve satisfying results on a real-world dataset of X-ray images of hands. We also evaluate the importance of preprocessing and one of our main findings is that without it, most of our approaches perform not better than random. To foster reproducibility and accelerate research we make our code publicly available at https://github.com/Valentyn1997/xray

연구 동기 및 목표

• 비용이 많이 들고 전문가가 레이블링한 데이터에 의존하지 않고도 방사선의사가 사용할 수 있는 비지도 X선 영상 이상 탐지 시스템을 개발하는 것.
• 실제 임상 환경에서의 노이즈가 많은 영상 문제를 해결하기 위해 강력한 다단계 전처리 파이프라인을 도입하는 것.
• 손상된 수동 레이블 없이 최신 비지도 딥러닝 모델(자동에코더와 GAN)의 성능을 평가하고 비교하는 것.
• 특히 자동에코더 기반 모델을 통해 픽셀 수준의 이상 지역을 해석 가능한 방식으로 시각화하는 것.
• 적절한 전처리가 비지도 학습 조건에서도 안정적인 성능을 달성하는 데 필수적임을 입증하는 것.

제안 방법

• 오프라인 단계(손 중심 위치 추정, 분할, 증강)와 온라인 단계(패딩, 중심화, 최소-최대 정규화)로 구성된 이중 단계 전처리 파이프라인을 제안한다.
• 특히 자동에코더 기반 모델에 유리한 대trast 향상을 위해 히스토그램 평준화를 적용한다.
• 이상 레이블 없이 전처리된 X선 영상에 대해 자동에코더(CAE)와 GAN 기반 모델(α-GAN, BiGAN)을 훈련시킨다.
• 자동에코더에서는 복원 오차를 픽셀 수준의 이상 스코어로 사용하여 이상 영역을 시각화한 히트맵을 생성한다.
• GAN 모델의 경우, 판별기의 확률을 이미지 수준의 이상 스코어로 사용하며, 원천적으로 픽셀 수준의 출력을 제공하지 않는다.
• 픽셀 전체에 걸쳐 상위-k 복원 오차 손실을 집계하여 이상 탐지 성능을 향상시키지만, k=200일 경우 성능 향상이 유의미하지 않음.

실험 결과

연구 질문

• RQ1 실제 임상 환경에서 노이즈가 많은 손의 X선 영상에 대해 비지도 딥러닝 모델(AE 및 GAN)의 이상 탐지 성능는 어느 정도인가?
• RQ2 포괄적인 전처리 파이프라인은 의료 영상 데이터에 대한 비지도 이상 탐지 모델의 성능 향상에 어느 정도 기여하는가?
• RQ3 자동에코더 기반 모델은 임상적으로 의미 있는 이상 지역을 픽셀 수준의 히트맵으로 정확히 시각화할 수 있는가?
• RQ4 GAN 기반 모델과 자동에코더 모델 간에 이상 탐지 성능 및 해석 가능성 측면에서 어떤 차이가 있는가?
• RQ5 레이블이 전혀 없는 조건에서도 신뢰할 수 있는 이상 탐지가 가능할 수 있으며, 전처리 과정은 이에 어떤 영향을 미치는가?

주요 결과

• 전처리 파이프라인이 매우 중요하다: 전처리 없이 사용할 경우 대부분의 모델이 랜덤보다 나아지지 않으며, 원본 또는 자르기 전 데이터에서 ROC-AUC 점수는 45% 이하에 머문다.
• α-GAN 모델은 판별기의 확률을 이상 스코어로 사용하여 최고의 ROC-AUC 60.7%를 기록한다.
• CAE는 ROC-AUC 57%를 달성하며, 자연스럽게 픽셀 수준의 이상 히트맵을 제공하여 의심스러운 영역을 명확히 시각화할 수 있다.
• CAE에서 유도된 픽셀 수준의 복원 오차 히트맵은 금속 식입물과 같은 이상을 명확히 강조하며, 전문가가 아닌 이들도 이를 식별할 수 있다.
• 히스토그램 평준화는 자동에코더 기반 모델의 성능을 일관되게 향상시키며, 저대trast X선 영상에 대한 대trast 향상 기능의 중요성을 시사한다.
• 상위-k 복원 오차 손실 집계는 성능 향상에 기여하지 않았으며, 이는 k 값 선택이 최적화되지 않았거나 모델이 노이즈에 민감하기 때문일 수 있다.