[논문 리뷰] Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders

Xiaoran Chen, Ender Konukoglu|arXiv (Cornell University)|2018. 06. 13.

Brain Tumor Detection and Classification참고 문헌 9인용 수 122

한 줄 요약

이 논문은 VAE/AAE로 건강한 뇌 분포를 학습하여 뇌 MRI에서 비지도 병변 탐지를 제안하고, 잠재 공간 일관성 제약을 도입하여 병변 탐지를 개선하며, BRATS에서 HCP 건강 데이터로 평가한다.

ABSTRACT

Lesion detection in brain Magnetic Resonance Images (MRI) remains a challenging task. State-of-the-art approaches are mostly based on supervised learning making use of large annotated datasets. Human beings, on the other hand, even non-experts, can detect most abnormal lesions after seeing a handful of healthy brain images. Replicating this capability of using prior information on the appearance of healthy brain structure to detect lesions can help computers achieve human level abnormality detection, specifically reducing the need for numerous labeled examples and bettering generalization of previously unseen lesions. To this end, we study detection of lesion regions in an unsupervised manner by learning data distribution of brain MRI of healthy subjects using auto-encoder based methods. We hypothesize that one of the main limitations of the current models is the lack of consistency in latent representation. We propose a simple yet effective constraint that helps mapping of an image bearing lesion close to its corresponding healthy image in the latent space. We use the Human Connectome Project dataset to learn distribution of healthy-appearing brain MRI and report improved detection, in terms of AUC, of the lesions in the BRATS challenge dataset.

연구 동기 및 목표

• 레이블링된 데이터 필요를 줄이기 위해 건강한 뇌의 외관을 활용한 비지도 병변 탐지 동기 부여.
• 오토인코더 기반 모델(VAE/AAE)을 사용하여 건강한 뇌 분포를 학습.
• 잠재 공간 일관성을 다루어 건강한 이미지와 이상 이미지 간의 구분을 개선.
• HCP 데이터를 학습한 건강 분포 모델을 사용하여 BRATS에서 병변 탐지 성능 향상 시연.

제안 방법

• Human Connectome Project의 건강한 뇌 T2-가중 MRIs에서 VAE와 AAE를 학습한다.
• 표준 발산을 WGAN-GP로 대체하여 AAE의 잠재 분포를 더 잘 매칭한다.
• 잠재 공간 일관성 제약을 도입하여 정규화 항 ||z_h - z_h' ||^2를 추가하고 건강한 잠재 코드와 재구성된 잠재 코드를 더 가깝게 만든다.
• BRATS 데이터에서 병변 탐지를 위해 픽셀 단위 재구성 잔차 |X_a - X_a'|를 사용한다.
• 실현 가능한 재구성 품질과 학습 안정성을 위해 이미지를 32x32로 다운 샘플링한다.

실험 결과

연구 질문

• RQ1 레이블이 달린 병변 데이터 없이도 건강한 뇌 이미지로 학습된 비지도 모델이 뇌 병변을 탐지할 수 있는가?
• RQ2 잠재 공간 일관성을 강제하는 것이 표준 VAE/AAE에 비해 병변 탐지를 개선하는가?
• RQ3 건강한 학습 분포를 이용한 BRATS에서 픽셀 단위 이상 탐지(AUC) 측면으로 어떤 모델과 매개변수 설정이 가장 좋은가?
• RQ4 건강한 영역과 이상 영역의 재구성 간 차이가 잔차 기반 병변 탐지에 어떻게 영향을 미치는가?

주요 결과

• λ = 1.0인 잠재 제약을 가진 AAE가 BRATS BRATS-2015 T2 데이터에서 가장 높은 AUC 0.923를 달성했다.
• 잠재 제약은 건강한 영역의 재구성 현실성을 개선하고 잔차에서 병변 영역을 더 정확하게 강조한다.
• λ = 1.0이 건강한 픽셀 재구성 오류 분포와 이상 픽셀 재구성 오류 분포 사이의 구분을 더 명확하게 만들어 다른 모델에서의 겹침을 17%로 줄였다.
• 제약이 없는 VAE/AAE와 비교했을 때, 제약된 AAE가 더 선명한 재구성과 잔차에서 더 정확한 병변 위치를 보여주었다.