[논문 리뷰] Unsupervised Brain Abnormality Detection Using High Fidelity Image Reconstruction Networks.

Kazuma Kobayashi, Ryuichiro Hataya외 9명|arXiv (Cornell University)|2020. 05. 26.

Radiomics and Machine Learning in Medical Imaging참고 문헌 66인용 수 6

한 줄 요약

이 논문은 구조적 유사도 제약을 갖춘 내성적 변동 자동차오더( variational autoencoder ) 기반의 고해상도 이미지 복원 네트워크를 사용하여 볼륨 단위 뇌 MRI 이상 검출을 위한 비지도 프레임워크를 제안한다. 정상 MRI 스캔으로 훈련된 모델은 입력 이미지를 학습된 잠재 공간으로 매핑하여 복원하고, 입력 이미지와 복원 이미지 간의 다중 수준 특징 불일치를 측정함으로써 이상을 식별한다—특히 전이성 뇌 종양과 같은 대조 강화 병변에서 뛰어난 성능을 기록한다.

ABSTRACT

Recent advances in deep learning have facilitated near-expert medical image analysis. Supervised learning is the mainstay of current approaches, though its success requires the use of large, fully labeled datasets. However, in real-world medical practice, previously unseen disease phenotypes are encountered that have not been defined a priori in finite-size datasets. Unsupervised learning, a hypothesis-free learning framework, may play a complementary role to supervised learning. Here, we demonstrate a novel framework for voxel-wise abnormality detection in brain magnetic resonance imaging (MRI), which exploits an image reconstruction network based on an introspective variational autoencoder trained with a structural similarity constraint. The proposed network learns a latent representation for normal anatomical variation using a series of images that do not include annotated abnormalities. After training, the network can map unseen query images to positions in the latent space, and latent variables sampled from those positions can be mapped back to the image space to yield normal-looking replicas of the input images. Finally, the network considers abnormality scores, which are designed to reflect differences at several image feature levels, in order to locate image regions that may contain abnormalities. The proposed method is evaluated on a comprehensively annotated dataset spanning clinically significant structural abnormalities of the brain parenchyma in a population having undergone radiotherapy for brain metastasis, demonstrating that it is particularly effective for contrast-enhanced lesions, i.e., metastatic brain tumors and extracranial metastatic tumors.

연구 동기 및 목표

• 유한하고 레이블이 부여된 데이터셋에 존재하지 않은 새로운 뇌 이상을 탐지하는 데 도전하는 것.
• 표준 병변 레이블이 필요 없이 이상 영역을 탐지할 수 있는 가설 없는 비지도 방법 개발.
• 레이블이 없는 데이터로부터 정상 해부학적 변동성을 학습하기 위해 고해상도 이미지 복원을 활용하는 것.
• 복원된 이미지의 다중 수준 특징 불일치를 정량화하여 볼륨 단위 이상 점수를 산출하는 것.

제안 방법

• 정상 뇌 MRI 스캔 세트를 기반으로 내성적 주의 메커니즘을 갖춘 변동 자동차오더를 훈련하여 정상 해부학적 변동의 분리된 잠재 표현을 학습한다.
• 훈련 중에 세부 이미지 세부 정보를 유지하고 복원 정확도를 향상시키기 위해 구조적 유사도(SSIM) 제약을 통합한다.
• 훈련 후, 입력 MRI 스캔은 잠재 공간으로 인코딩되고, 이 잠재 공간에서의 샘플이 복원되어 입력의 정상적인 외관을 가진 복원 이미지를 생성한다.
• 원본 이미지와 복원 이미지 간의 특징 맵에서 다중 척도의 차이를 계산하여 이상 점수를 산출하며, 구조적 이질성이 있는 영역을 강조한다.
• 픽셀 수준의 복원 오차만으로는 포착되지 않는 미세한 이상을 탐지하기 위해 계층적 특징 수준 비교 전략을 사용한다.
• 종합적인 엔드 투 엔드 방식으로 작동하여, 새로운 스캔에서 비지도로 볼륨 단위 이상 영역을 국소화할 수 있다.

실험 결과

연구 질문

• RQ1 레이블이 부여된 병리학적 데이터에 의존하지 않고도 비지도 딥 러닝 모델이 MRI 스캔에서 뇌 이상을 탐지할 수 있는가?
• RQ2 구조적 유사도 손실을 갖는 변동 자동차오더는 정상 뇌 해부학을 얼마나 잘 복원하고 병리학적 징후를 나타내는 이질성을 탐지할 수 있는가?
• RQ3 다중 수준 특징 불일치 점수는 특히 대조 강화 병변에서 이상 영역을 어느 정도 정확하게 국소화할 수 있는가?
• RQ4 제안된 방법은 전이성 종양과 같은 임상적으로 중요한, 사전에 관찰되지 않은 뇌 이상에서 어떻게 성능을 발휘하는가?
• RQ5 학습 데이터에 포함되지 않은 다양한 새로운 형태의 뇌 간질 병변에 대해 모델이 일반화 가능한가?

주요 결과

• 제안된 방법은 종합적으로 레이블이 부여된 데이터셋에서 대조 강화 병변, 특히 전이성 및 뇌외 전이성 종양의 감도가 매우 높게 나타났다.
• 구조적 유사도 손실의 사용은 복원 품질을 크게 향상시켰으며, 표준 L2 손실 대비 미세한 구조적 이상의 탐지 능력이 향상됨을 입증했다.
• 다중 수준 특징 불일치 기반 이상 점수가 픽셀 수준의 복원 오차보다 병변 영역 국소화 성능에서 뛰어났다.
• 학습 데이터에 존재하지 않는 새로운 병리학적 표현형에 대해 모델이 강건성을 보이며, 비지도 일반화 능력을 확인했다.
• 이 프레임워크는 볼륨 단위에서 이상을 정확하게 국소화하여 뇌 MRI에서 의심되는 병변 영역의 정밀한 공간 맵핑을 성공적으로 수행했다.