[논문 리뷰] Constrained Generative Adversarial Network Ensembles for Sharable Synthetic Data Generation

Engin Dikici, Luciano M. Prevedello외 3명|arXiv (Cornell University)|2020. 02. 28.

AI in cancer detection참고 문헌 55인용 수 6

한 줄 요약

이 논문은 공유 가능하고 개인정보 보호를 고려한 3D 뇌 전이성 종양 MRI 데이터를 생성하기 위해 제약 조건이 부여된 생성적 적대 신경망 앙상블(cGANe)을 제안한다. 실제 T1 강화 MRI 스캔을 기반으로 훈련함으로써 cGANe는 뇌 전이성 종양 검출 성능가능성을 유지하는 합성 데이터를 생성한다—실제 데이터를 사용할 때 9.12개의 위양성 결과를 낼 때와 비교해, 합성 데이터를 사용할 경우 9.53개의 위양성 결과를 기록한다—이를 통해 안전하고 협업 가능한 의료 AI 연구의 잠재력을 입증한다.

ABSTRACT

The sharing of medical imaging datasets between institutions, and even inside the same institution, is limited by various regulations/legal barriers. Although these limitations are necessities for protecting patient privacy and setting strict boundaries for data ownership, medical research projects that require large datasets suffer considerably as a result. Machine learning has been revolutionized with the emerging deep neural network approaches over recent years, making the data-related limitations even a larger problem as these novel techniques commonly require immense imaging datasets. This paper introduces constrained Generative Adversarial Network ensembles (cGANe) to address this problem by altering the representation of the imaging data, whereas containing the significant information, enabling the reproduction of similar research results elsewhere with the sharable data. Accordingly, a framework representing the generation of a cGANe is described, and the approach is validated for the generation of synthetic 3D brain metastatic region data from T1-weighted contrast-enhanced MRI studies. For 90% brain metastases (BM) detection sensitivity, our previously reported detection algorithm produced on average 9.12 false-positive BM detections per patient after training with the original data, whereas producing 9.53 false-positives after training with the cGANe generated synthetic data. Although the applicability of the introduced approach needs further validation studies with a range of medical imaging data types, the results suggest that the BM-detection algorithm can achieve comparable performance by using cGANe generated synthetic data. Hence, the generalization of the proposed approach for various modalities may occur in the near future.

연구 동기 및 목표

• 개인정보 보호 규정과 데이터 소유 제약으로 인해 의료 영상 데이터 공유가 어려운 문제를 해결하기 위해.
• 연구를 위해 임상적으로 관련 있는 정보를 유지하는 합성 의료 영상을 생성하는 방법을 개발하기 위해.
• 실제 데이터와 비교할 만한 성능을 달성하는 합성 데이터를 기반으로 딥 러닝 모델을 훈련시킬 수 있도록 하기 위해.
• 뇌 전이성 종양 검출을 위한 3D T1 강화 MRI에 대해 이 접근법을 검증하기 위해.
• 다양한 영상 모odal리티에서 합성 데이터의 광범위한 도입을 지원하기 위해.

제안 방법

• 이 방법은 실제 MRI 데이터에서 합성 3D 뇌 전이성 종양 영역을 생성하기 위해 제약 조건이 부여된 생성적 적대 신경망(cGAN)의 앙상블을 활용한다.
• 앙상블 내 각 cGAN은 진단에 핵심적인 해부학적 및 병리학적 특징을 유지하도록 제약 조건을 적용하여 훈련된다.
• 적대적 손실과 사이클 일致성 정규화를 통해 실제 데이터와 합성 데이터 간의 구조적 및 강도 일致성을 강제한다.
• 판별망은 실제 데이터와 합성 데이터를 구분하도록 훈련되고, 생성망은 현실적이면서도 식별 불가능한 합성 스캔을 생성하도록 학습된다.
• 이 방법은 원본 데이터 분포에 높은 정밀도를 유지하면서도 환자 재식별 위험을 최소화한다.
• 모델은 뇌 전이성 종양의 실제 T1 강화 MRI 스캔을 종합적으로 훈련하여, 후속 모델 훈련을 위한 합성 데이터를 생성한다.

실험 결과

연구 질문

• RQ1 cGANe는 뇌 전이성 종양 검출 작업에 유의미한 임상적 특징을 유지하는 합성 3D 뇌 전이성 종양 MRI 데이터를 생성할 수 있는가?
• RQ2 cGANe가 생성한 합성 데이터를 기반으로 훈련한 뇌 전이성 종양 검출 모델이 실제 데이터를 기반으로 훈련한 모델와 비교해 유사한 성능을 달성할 수 있는가?
• RQ3 합성 데이터가 원본 데이터셋의 통계적 및 공간적 특성을 어느 정도 유지하는가?
• RQ4 합성 데이터를 기반으로 훈련한 검출 모델의 위양성 비율은 실제 데이터를 기반으로 훈련한 모델와 비교해 어떻게 되는가?
• RQ5 cGANe 프레임워크는 T1 강화 MRI를 초월한 다른 의료 영상 모달리티로 일반화될 수 있는가?

주요 결과

• 실제 데이터를 기반으로 훈련한 경우, 뇌 전이성 종양 감지 모델이 90% 감도를 달성할 때 환자당 위양성 9.12개를 기록했다.
• cGANe가 생성한 합성 데이터를 기반으로 훈련한 동일한 모델은 환자당 위양성 9.53개를 기록했으며, 이는 거의 동일한 성능임을 시사한다.
• 합성 데이터는 신뢰할 수 있는 모델 훈련과 추론을 지원할 수 있을 정도로 충분한 해부학적 및 병리학적 세부 정보를 유지했다.
• 이 방법은 개인정보 보호 규정이나 데이터 소유 제약을 위반하지 않으면서 기관 간 데이터 공유를 가능하게 한다.
• 결과적으로 cGANe가 생성한 데이터는 협업 의료 영상 연구에서 실재 데이터의 타당한 대안이 될 수 있음을 시사한다.
• 프레임워크는 다른 영상 모달리티로의 확장 가능성이 있으며, 다만 추가 검증이 필요하다.