[논문 리뷰] Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation

Chenxin Li, Yunlong Zhang외 3명|arXiv (Cornell University)|2021. 03. 16.

COVID-19 diagnosis using AI참고 문헌 20인용 수 8

한 줄 요약

이 논문은 건강한 해부학을 '이미지 → 의미 → 이미지'의 여정을 통해 모델링하는 사이클 변환 프레임워크를 사용하여 비지도 이상 영역 분할 방법을 제안한다. 의미 분할을 중간 표현으로 활용하여 국소화 세부 정보를 유지한다. 이 방법은 BraTS 및 ISLES 데이터셋에서 최신 기술 수준의 성능을 달성하며, AUPRC 0.511과 DICE 0.544를 기록하여 이전 방법보다 거짓 양성률을 감소시키고 병변 국소화를 향상시키는 데 성공한다.

ABSTRACT

The goal of unsupervised anomaly segmentation (UAS) is to detect the pixel-level anomalies unseen during training. It is a promising field in the medical imaging community, e.g, we can use the model trained with only healthy data to segment the lesions of rare diseases. Existing methods are mainly based on Information Bottleneck, whose underlying principle is modeling the distribution of normal anatomy via learning to compress and recover the healthy data with a low-dimensional manifold, and then detecting lesions as the outlier from this learned distribution. However, this dimensionality reduction inevitably damages the localization information, which is especially essential for pixel-level anomaly detection. In this paper, to alleviate this issue, we introduce the semantic space of healthy anatomy in the process of modeling healthy-data distribution. More precisely, we view the couple of segmentation and synthesis as a special Autoencoder, and propose a novel cycle translation framework with a journey of 'image->semantic->image'. Experimental results on the BraTS and ISLES databases show that the proposed approach achieves significantly superior performance compared to several prior methods and segments the anomalies more accurately.

연구 동기 및 목표

• 기존 비지도 이상 영역 분할 방법에서 정상 해부학 모델링을 위해 저차원 다양체에 의존함으로써 국소화 정보가 손실되는 문제를 해결하기 위해.
• 이미지와 재구성 사이의 중간 표현으로 고해상도 의미 공간을 도입하여 픽셀 수준의 이상 탐지 성능을 향상시키기 위해.
• 통합된 사이클 변환 프레임워크를 통해 동시에 비지도 이상 영역 분할과 지도 학습 기반의 정상 조직 분할을 수행할 수 있도록 하기 위해.
• 실제 의료 영상에서의 도메인 이동과 다양한 병변 형태에 대한 일반화 능력과 강건성을 향상시키기 위해.
• 학습된 분류기로부터 유도된 의미 표현이 이상 탐지에 있어 분류 가능한 통계적 의미를 지닌 중간 표현으로 활용될 수 있음을 입증하기 위해.

제안 방법

• 프레임워크는 정상 이미지를 의미 레이블 분포(예: GM, WM, CSF)로 매핑하는 분할 모듈과 이러한 의미 맵으로부터 이미지를 재구성하는 합성 모듈으로 구성된다.
• 두 모듈은 사이클 일致성 방식으로 훈련되어 이미지 → 의미 → 이미지의 폐쇄된 루프를 형성하며, 의미 공간을 버티브로 삼는 오토에인코더를 모방한다.
• 재구성 품질과 생성 이미지의 현실성 향상을 위해 합성 모듈에 적대적 훈련을 적용한다.
• 추론 시, 입력 이미지와 그 재구성 간 잔차를 계산하여 이상을 탐지하며, 높은 잔차는 병변 영역을 나타낸다.
• 의정보 봉쇄 프레임워크 내에서 의미 공간을 명시적인 중간 표현으로 사용하여 저차원 다양체를 대체함으로써 공간적 세부 정보를 유지한다.
• 분할 네트워크의 확률적 예측을 활용하여 이상 조직과 정상 조직을 구분하며, 예측 분포의 통계적 분류 가능성을 이용한다.

실험 결과

연구 질문

• RQ1 고해상도 의미 공간이 저차원 다양체보다 비지도 이상 영역 분할에서 더 정보적인 중간 표현으로 기능할 수 있는가?
• RQ2 의미 사이클 변환 프레임워크를 통해 정상 해부학 분포를 모델링할 경우, 기존 오토에인코더 기반 방법에 비해 병변의 국소화 정확도가 향상되는가?
• RQ3 의미 표현의 사용이 도메인 이동과 다양한 병변 형태에 대한 일반화 능력에 어느 정도 기여하는가?
• RQ4 동일한 프레임워크로 동시에 비지도 이상 영역 분할과 지도 학습 기반의 정상 조직 분할을 수행할 수 있는가?
• RQ5 의미 분류 네트워크의 예측 분포가 병변 레이블이 없는 상황에서 어떻게 분류 가능한 이상 탐지에 기여하는가?

주요 결과

• 제안된 방법은 BraTS 데이터셋에서 AUPRC 0.511과 DICE 0.544를 달성하여 이전 방법들인 AE(AUPRC: 0.229), VAE(0.331), GMVAE(0.253), fAnoGAN(0.373)보다 유의미하게 뛰어나다.
• 더 도전적인 ISLES 데이터셋에서는 AUPRC 0.110과 DICE 0.178를 기록하여 도메인 이동과 병변 다양성에도 불구하고 강력한 일반화 능력을 보였다.
• 시각적 비교 결과, 제안된 방법은 AE와 VAE보다 정상 조직의 더 선명한 재구성을 생성하여, WM과 CSF와 같은 정상 구조의 과도한 분할로 인한 거짓 양성률를 감소시켰다.
• GMVAE는 입력과 거의 동일한 재구성을 생성하여 이상을 부각하지 못하는 반면, 제안된 방법은 잔차 맵에서 병변과 정상 조직 간 강한 대비를 유지한다.
• 의미 공간 덕분에 보다 정확한 국소화가 가능했으며, 특히 소형 또는 저대비 병변에서 잔차 맵에서 병변 강조가 더 정확했다.
• 분할 모듈의 사후 확률 분포는 병변이 정상 조직과 통계적으로 구분 가능하며, 일부 정상 조직(예: GM)이 병변과 유사하여, 이 프레임워크가 잔차 분석을 통해 이상 탐지 성능을 향상시키는 데 활용됨을 입증했다.