[논문 리뷰] Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

Thomas Schlegl, Philipp Seeböck외 3명|arXiv (Cornell University)|2017. 03. 17.

Retinal Imaging and Analysis참고 문헌 15인용 수 147

한 줄 요약

본 논문은 AnoGAN을 소개한다. DCGAN을 이용해 정상 망막 해부를 학습하고 잔차(residual) 및 판별 손실과 함께 새로운 잠재공간 매핑을 도입하여 주석 마커 없이 OCT 이미지에서 이상을 식별하고 로컬화하는 비지도 이상 탐지 방법이다.

ABSTRACT

Obtaining models that capture imaging markers relevant for disease progression and treatment monitoring is challenging. Models are typically based on large amounts of data with annotated examples of known markers aiming at automating detection. High annotation effort and the limitation to a vocabulary of known markers limit the power of such approaches. Here, we perform unsupervised learning to identify anomalies in imaging data as candidates for markers. We propose AnoGAN, a deep convolutional generative adversarial network to learn a manifold of normal anatomical variability, accompanying a novel anomaly scoring scheme based on the mapping from image space to a latent space. Applied to new data, the model labels anomalies, and scores image patches indicating their fit into the learned distribution. Results on optical coherence tomography images of the retina demonstrate that the approach correctly identifies anomalous images, such as images containing retinal fluid or hyperreflective foci.

연구 동기 및 목표

• 사전에 정의된 마커 어휘에 의존하지 않고 질병 마커의 탐지를 고무한다.
• 라벨이 없는 데이터에서 건강한 해부학적 모양의 생성 모델을 학습한다.
• 이미지 공간에서 잠재공간으로의 매핑 스킴을 개발하여 이상을 식별한다.
• OCT 이미지에 대한 이상 점수와 픽셀 수준의 이상 로컬화를 제공한다.
• 확인된 및 잠재적 새 망막 마커의 탐지를 시연한다.
• 대체 비지도 방식과 비교하고 분할 능력을 평가한다.

제안 방법

• 정상 OCT 이미지의 패치를 사용해 DCGAN을 학습시켜 정상 모습의 매니폴드를 모형화한다.
• 새로운 이미지 패치를 잠재공간으로 매핑하기 위해 잔차 손실과 판별 손실의 조합을 최소화하도록 z를 반복적으로 업데이트한다.
• x와 G(z)의 유사성을 강제하기 위해 잔차 손실을 사용하고, 판별자 특징에 기반한 판별 손실을 통해 G(z)가 정상 데이터 매니폴드에 위치하도록 한다.
• 이상 점수 A(x) = (1-λ)·Residual + λ·Discrimination으로 정의하되, λ는 경험적으로 0.1로 설정한다.
• 잠재공간 매핑의 안정성을 높이기 위해 특징 매칭 기반의 판별 손실을 사용한다.
• 고해상도 SD-OCT 데이터에서 픽셀 수준의 유체 주석을 활용해 탐지 및 분할을 평가한다.

실험 결과

연구 질문

• RQ1 마커 주석 없이도 GAN 기반의 비지도 모델이 정상 망막 해부를 학습해 이상을 탐지할 수 있는가?
• RQ2 잔차 및 특징 기반 판별 손실과 결합된 학습된 잠재공간 매핑이 OCT 이미지의 이상을 정확히 식별하고 로컬라이제이션할 수 있는가?
• RQ3 의료 영상에서 비지도 이상 탐지를 위한 자동인코더 기반이나 판별자-전용 접근법과 AnoGAN의 비교는 어떠한가?
• RQ4 이 방법이 잘 알려진 이상(예: 망막 유체, 과반사 초점)과 잠재적으로 새로운 마커를 감지할 수 있는가?

주요 결과

• 모델은 실제적이고 건강해 보이는 망막 패치를 생성하고 학습된 정상 모습으로부터의 편차로 이상을 탐지한다.
• A(x)를 이용한 이상 탐지가 높은 성능을 달성하며 잔차와 판별 구성 요소가 모두 탐지에 기여한다.
• 제안된 판별 손실이 잠재공간으로의 매핑을 기준 판별 점수보다 개선한다.
• AnoGAN은 이상 탐지 성능에서 적대적 자동인코더를 능가하고 ROC AUC에서 다른 베이스라인과 일치하거나 이를 상회한다.
• 이 방법은 잔차 이미지를 통해 이상을 픽셀 수준으로 로컬라이즈하고 주석 마커 외의 추가 병변도 식별한다.
• 직접적인 판별자 기반 점수와 비교할 때 결합된 이상 점수는 건강한 이미지와 질환 이미지를 아우르는 견고한 탐지를 제공한다.