[논문 리뷰] Unsupervised Anomaly Detection in MR Images using Multi-Contrast Information

Byungjai Kim, Kinam Kwon외 2명|arXiv (Cornell University)|2021. 05. 02.

Anomaly Detection Techniques and Applications참고 문헌 45인용 수 5

한 줄 요약

이 논문은 다중 대비 MRI를 위한 비지도 이상 탐지 프레임워크인 ADM을 제안한다. 이는 서로 다른 대비 간의 변환 특징과 저차원 이미지 표현을 동시에 학습한 후, 특이성에 강건한 가우시안 믹스처 모델(GMM)을 사용해 픽셀 단위의 이상 탐지를 수행한다. 이 방법은 상태기반 성능을 달성하였으며, BraTS에서 AUC 0.939, ISLES에서 AUC 0.871를 기록하여 애너테이션된 이상 데이터 없이도 미세한 조직 이상을 뛰어난 성능으로 탐지함을 보여준다.

ABSTRACT

Anomaly detection in medical imaging is to distinguish the relevant biomarkers of diseases from those of normal tissues. Deep supervised learning methods have shown potentials in various detection tasks, but its performances would be limited in medical imaging fields where collecting annotated anomaly data is limited and labor-intensive. Therefore, unsupervised anomaly detection can be an effective tool for clinical practices, which uses only unlabeled normal images as training data. In this paper, we developed an unsupervised learning framework for pixel-wise anomaly detection in multi-contrast magnetic resonance imaging (MRI). The framework has two steps of feature generation and density estimation with Gaussian mixture model (GMM). A feature is derived through the learning of contrast-to-contrast translation that effectively captures the normal tissue characteristics in multi-contrast MRI. The feature is collaboratively used with another feature that is the low-dimensional representation of multi-contrast images. In density estimation using GMM, a simple but efficient way is introduced to handle the singularity problem which interrupts the joint learning process. The proposed method outperforms previous anomaly detection approaches. Quantitative and qualitative analyses demonstrate the effectiveness of the proposed method in anomaly detection for multi-contrast MRI.

연구 동기 및 목표

• 의료 MRI에서 이상 데이터가 제한된 문제를 해결하기 위해 비지도 픽셀 단위 이상 탐지 기능을 제공한다.
• 이상이 개별 대비보다 복합 대비 공간에서 더 명확하게 드러나기 때문에, 다중 대비 MRI 특성을 활용해 탐지 정확도를 향상시킨다.
• 특징 학습과 이상 점수 산정을 동시에 최적화하는 과정에서 GMM 기반 밀도 추정에서 발생하는 특이성 문제를 해결한다.
• 특징 생성과 밀도 추정을 통합적으로 최적화하는 유일한 프레임워크를 개발하여 분리된 파ipeline보다 뛰어난 성능을 달성한다.

제안 방법

• 다른 MRI 대비 간의 매핑을 학습하기 위해 대비 간 변환(CtoC) 네트워크를 사용하여 정상 조직 패턴을 포착한다.
• 공유 인코더를 통해 다중 대비 이미지의 저차원 표현을 추출하여 CtoC 출력에 보완적인 특징을 제공한다.
• 두 가지 유형의 특징을 결합하여 밀도 추정을 위한 가우시안 믹스처 모델(GMM)에 입력하여 정상 조직의 분포를 모델링한다.
• GMM 파rameter 추정이 공동 학습 중 특이성이 발생하는 것을 방지하기 위해 새로운 정규화 기법을 도입하여 안정적인 최적화를 보장한다.
• 특징 생성과 밀도 추정을 모두 포함한 전체 프레임워크를 미분 가능한 손실 함수를 사용해 엔드 투 엔드로 공동 최적화한다.
• 이 방법은 이상 애너테이션 데이터가 부족한 실생활 임상 환경에 적합하도록 정상 MRI 스캔 데이터만으로 훈련된다.

실험 결과

연구 질문

• RQ1 다중 대비 MRI에서 대비 간 변환과 저차원 이미지 특징의 공동 학습이 이상 탐지 성능 향상에 기여하는가?
• RQ2 제안된 특이성 처리 메커니즘이 비지도 이상 탐지에서 GMM 기반 밀도 추정의 학습 안정성에 얼마나 효과적인가?
• RQ3 다중 대비 특징의 공동 활용이 단일 대비 또는 고립된 특징 방법보다 정상 및 이상 조직 간 분리 성능을 향상시키는가?
• RQ4 제안된 프레임워크가 기존의 비지도 방법들인 오토인코더, OC-SVM, GAN 기반 모델들보다 공개 MRI 벤치마크에서 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• 제안된 ADM 프레임워크는 BraTS 데이터셋에서 AUC 0.939, ISLES 데이터셋에서 AUC 0.871를 기록하여 OC-SVM, DSVDD, fanoGAN, DAG와 같은 베이스라인 방법들을 능가했다.
• 대비 간 변환 특징의 사용이 탐지 성능 향상에 기여했음을 아블레이션 연구를 통해 입증되었으며, 이 요소를 제거하면 AUC가 최대 0.02 감소하였다.
• 특이성에 강건한 GMM 학습 기법 덕분에 안정적인 공동 최적화가 가능해졌으며, 기존 GMM에서 흔히 발생하는 수렴 실패 문제를 방지했다.
• BraTS와 ISLES의 정상 이미지를 병합한 데이터 증강 기법을 적용함으로써 성능 향상이 이루어졌으며, ISLES에서 AUC는 0.871로 상승했고, 대비 공간 내에서 정상 및 이상 강도 간 분리가 향상되었다.
• 공개 데이터셋 간 대비 다양성에 대해 강건성을 보였으며, 중앙값 맵 및 강도 스케일링 증강 전략이 일반화 성능 향상에 기여했다.
• 아블레이션 연구를 통해 CtoC 네트워크와 GMM 기반 밀도 추정이 모두 핵심 구성 요소임을 확인하였으며, 둘 중 하나를 제거하면 성능이 심각하게 저하되었다.