[논문 리뷰] Generating Magnetic Resonance Spectroscopy Imaging Data of Brain Tumours from Linear, Non-Linear and Deep Learning Models

Nathan J Olliverre, Guang Yang외 3명|arXiv (Cornell University)|2018. 08. 23.

Brain Tumor Detection and Classification참고 문헌 15인용 수 4

한 줄 요약

이 연구는 뇌 종양의 합성 자기공명분광법(MRS) 데이터를 생성하기 위해 선형, 비선형, 딥러닝 모델—특히 수정된 MRS 분류기(PMM), GAN, DCGAN—을 평가한다. GAN으로 생성된 데이터는 랜덤 포레스트를 훈련시킬 때 건강한 조직 분류에 97.5%의 정확도를 달성했으며, 저-grade 종양 분류에선 97%의 정확도를 기록했으며, DCGAN과 PMM를 모두 능가했다. 이는 생성 모델이 실제 데이터가 제한된 상황에서도 임상적으로 유의미하고 고해상도의 MRS 데이터를 생성해 진단 모델 훈련에 활용할 수 있음을 보여준다.

ABSTRACT

Magnetic Resonance Spectroscopy (MRS) provides valuable information to help with the identification and understanding of brain tumors, yet MRS is not a widely available medical imaging modality. Aiming to counter this issue, this research draws on the advancements in machine learning techniques in other fields for the generation of artificial data. The generated methods were tested through the evaluation of their output against that of a real-world labelled MRS brain tumor data-set. Furthermore the resultant output from the generative techniques were each used to train separate traditional classifiers which were tested on a subset of the real MRS brain tumor dataset. The results suggest that there exist methods capable of producing accurate, ground truth based MRS voxels. These findings indicate that through generative techniques, large datasets can be made available for training deep, learning models for the use in brain tumor diagnosis.

연구 동기 및 목표

• 기계학습 모델을 활용해 라벨이 부족한 뇌 종양 MRS 데이터 문제를 해결하기 위해 합성 데이터를 생성한다.
• 선형(PMM), 비선형(GAN), 딥러닝(DCGAN) 모델이 실제 MRS 스펙트럼을 얼마나 현실적으로 생성하는지 평가한다.
• 생성된 데이터가 기존 분류기의 성능을 실제 데이터로 훈련한 모델과 유사하게 만들 수 있는지 평가한다.
• 정량적 지표와 시각적 검토를 통해 생성된 MRS 신호가 실제 기준 데이터와 얼마나 유사한지 정밀도를 평가한다.
• 합성 MRS 데이터로 딥러닝 모델을 훈련시켜 뇌 종양 분류에 활용할 수 있는지의 가능성을 확인한다.

제안 방법

• 정상, 저-grade, 고-grade 종양 스펙트럼의 계수를 조합하여 선형 혼합 모델링 기반의 수정된 MRS 뇌 종양 분류기(PMM)를 훈련시어 합성 MRS 스펙트럼을 생성한다.
• 깊이 있는 컨volution 레이어를 갖춘 생성자와 판별자를 포함한 생성적 적대적 네트워크(GAN)를 구현하여 현실적인 MRS 신호 분포를 학습하고 생성한다.
• 유사한 아키텍처를 가졌지만 더 깊고 복잡한 레이어를 갖춘 딥 컨volution 레이어를 사용한 딥 컨volution GAN(DCGAN)을 적용하여 특징 학습 능력을 향상시킨다.
• 각 모델(PMM, GAN, DCGAN)에서 생성한 데이터를 사용해 별도의 랜덤 포레스트 분류기를 훈련시어 조직 등급(건강, 저-grade, 고-grade)을 분류한다.
• 보류된 실제 MRS 테스트 세트에서 분류기 성능을 평가하고, 생성된 신호와 실제 기준 신호의 평균값을 비교하기 위해 평균 제곱 오차(MSE)를 사용한다.
• 생성된 스펙트럼의 정성적 및 정량적 분석을 수행하여 형태 유사도, 표현력, 도메인 적합성 등을 평가한다.

실험 결과

연구 질문

• RQ1 생성 모델은 실제 뇌 종양 MRS 데이터와 유사하고 대표적인 합성 MRS 스펙트럼을 충분히 현실적으로 생성할 수 있는가?
• RQ2 실제 데이터로 훈련된 모델과 비교해 합성 데이터로 훈련된 모델의 분류 정확도는 어떻게 다른가?
• RQ3 선형(PMM), 비선형(GAN), 딥러닝(DCGAN) 중 어떤 생성 모델이 가장 정확하고 표현력 있는 MRS 스펙트럼을 생성하는가?
• RQ4 MSE와 시각적 유사도 측정을 통해 생성된 스펙트럼이 실제 MRS 데이터의 스펙트럼 특성을 얼마나 잘 유지하는가?
• RQ5 이러한 모델이 생성한 합성 MRS 데이터는 분류기를 효과적으로 훈련시켜 실제 데이터로 훈련한 모델과 유사한 성능을 달성할 수 있는가?

주요 결과

• GAN으로 생성된 데이터는 랜덤 포레스트를 훈련시킬 때 건강한 조직 분류에 97.5%의 정확도를 기록했으며, 저-grade 종양 분류에선 97%의 정확도를 달성했으며, DCGAN과 PMM를 모두 능가했다. 이는 실제 기준(GT) 모델의 성능에 가장 가까운 결과를 보였다.
• PMM 모델은 실제 데이터와의 형태 유사도 측면에서 가장 정확한 스펙트럼을 생성했으며, 평균 제곱 오차(MSE)가 가장 낮아(건강: 0.002, 저-grade: 0.004, 고-grade: 0.071) 평균 신호에 대한 강한 유사도를 보였다.
• DCGAN 모델은 가장 열악한 결과를 보였으며, 저-grade 종양 분류 정확도는 66%, 건강 및 고-grade 조직 분류 정확도는 각각 71%였고, MSE는 가장 높아(건강: 5.148, 고-grade: 12.001) 신호 품질이 열 劣하고 실제 데이터에서 벗어나 있음을 시사했다.
• 낮은 정확도에도 불구하고 DCGAN은 더 높은 변동성을 보였으며, 이는 과적합 또는 모드 붕괴의 가능성을 시사했으며, GAN의 훈련 불안정성과 일관된 결과였다.
• 시각적 확인을 통해 GAN 모델은 DCGAN 대비 더 뛰어난 표현력과 형태 일관성을 보였으며, 그림 4의 신호 플롯을 통해 실제 MRS 신호와 유사한 스펙트럼을 생성했다.
• 실제 데이터로 훈련된 랜덤 포레스트(GT)는 건강 조직 분류에 96%, 저-grade에선 95%, 고-grade에선 95%의 정확도를 기록했으며, 이는 성능 기준선으로 기능했다. GAN으로 생성된 데이터는 이 성능 수준에 가장 가까이 도달했다.