[论文解读] Abnormal Chest X-ray Identification With Generative Adversarial One-Class Classifier

Yuxing Tang, Youbao Tang+3 more|arXiv (Cornell University)|Mar 5, 2019

COVID-19 diagnosis using AI参考文献 11被引用 8

一句话总结

该论文提出了一种基于生成对抗网络的一类学习框架，仅使用正常图像进行训练即可识别异常胸部X光片。通过在对抗训练方案中结合U-Net自编码器、判别器以及第二个编码器，模型能够良好地重建正常X光片，但对异常图像的重建效果较差，从而在NIH胸部X光片数据集上实现了0.841的AUC，且标注工作量极低。

ABSTRACT

Being one of the most common diagnostic imaging tests, chest radiography requires timely reporting of potential findings in the images. In this paper, we propose an end-to-end architecture for abnormal chest X-ray identification using generative adversarial one-class learning. Unlike previous approaches, our method takes only normal chest X-ray images as input. The architecture is composed of three deep neural networks, each of which learned by competing while collaborating among them to model the underlying content structure of the normal chest X-rays. Given a chest X-ray image in the testing phase, if it is normal, the learned architecture can well model and reconstruct the content; if it is abnormal, since the content is unseen in the training phase, the model would perform poorly in its reconstruction. It thus enables distinguishing abnormal chest X-rays from normal ones. Quantitative and qualitative experiments demonstrate the effectiveness and efficiency of our approach, where an AUC of 0.841 is achieved on the challenging NIH Chest X-ray dataset in a one-class learning setting, with the potential in reducing the workload for radiologists.

研究动机与目标

• 通过自动化异常胸部X光片检测来减轻放射科医生的工作负担。
• 通过仅在正常图像上进行训练，解决异常X光片标注数据有限的挑战。
• 开发一种基于重建误差区分异常的一类学习方法。
• 通过对抗训练改进医学影像中的异常检测，而无需使用多样化的异常标签。

提出的方法

• 该框架使用类似U-Net的自编码器作为生成器，从学习到的潜在空间重建输入的X光片图像。
• 训练一个卷积神经网络判别器，以区分真实正常X光片与重建图像，从而实现对抗训练。
• 引入第二个编码器网络，用于从重建图像中提取特征，以提升异常评分性能。
• 模型采用端到端的最小最大目标进行训练，其中生成器最小化重建误差，判别器最大化其识别虚假重建的能力。
• 基于重建损失计算异常分数，分数越高表示越可能为异常。
• 该架构仅在正常CXRs上进行训练，训练过程中无需任何标注的异常样本。

实验结果

研究问题

• RQ1 仅使用正常训练数据的一类学习模型能否有效检测异常胸部X光片？
• RQ2 生成器与判别器之间的对抗训练如何提升医学影像中重建保真度与异常检测性能？
• RQ3 额外引入的编码器网络在提升模型检测异常能力方面有何贡献？
• RQ4 在具有挑战性的现实世界CXRs数据上，该方法与基线自编码器相比，AUC性能如何？

主要发现

• 所提出的模型在NIH胸部X光片数据集上对正常与异常CXRs（含14种主要异常）的分类任务中达到了0.841的AUC。
• 在正常与肺部浸润（lung opacity）病例的子集中，模型AUC达到0.802，显著优于基线U-Net自编码器（AUC 0.627）。
• 消融实验证实，判别器、第二个编码器以及对抗训练均对性能提升有贡献。
• 定性结果表明，模型能够以高保真度重建正常X光片，而异常图像则重建效果差，表现为解剖结构模糊且失真。
• 模型平均每个X光片的推理时间为0.48 ms，展现出适合临床部署的高效率。
• 该方法无需任何标注的异常数据，显著降低了标注负担，同时保持了强大的检测性能。