[논문 리뷰] Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems

Kai Packhäuser, Lukas Folle외 2명|arXiv (Cornell University)|2022. 11. 02.

Radiomics and Machine Learning in Medical Imaging인용 수 12

한 줄 요약

이 논문은 흉부 이상 징후를 분류하는 모델을 훈련하기 위해 고품질의 익명성, 클래스 조건부 흉부 레이저 영상을 생성하기 위해 잠재 확산 모델(LDM) 기반 방법을 제안한다. 생체정보 泄露를 방지하기 위해 개인정보 보호 전략을 적용한 샘플링 기법을 사용함으로써, 실제 데이터 훈련 대비 AUC에서 3.5% 성능 격차(78.1% 대 81.6%)를 보이며, 의료 AI를 위한 합성 데이터의 강력한 타당성을 입증한다.

ABSTRACT

The availability of large-scale chest X-ray datasets is a requirement for developing well-performing deep learning-based algorithms in thoracic abnormality detection and classification. However, biometric identifiers in chest radiographs hinder the public sharing of such data for research purposes due to the risk of patient re-identification. To counteract this issue, synthetic data generation offers a solution for anonymizing medical images. This work employs a latent diffusion model to synthesize an anonymous chest X-ray dataset of high-quality class-conditional images. We propose a privacy-enhancing sampling strategy to ensure the non-transference of biometric information during the image generation process. The quality of the generated images and the feasibility of serving as exclusive training data are evaluated on a thoracic abnormality classification task. Compared to a real classifier, we achieve competitive results with a performance gap of only 3.5% in the area under the receiver operating characteristic curve.

연구 동기 및 목표

• 이미지에 임bedded된 생체정보로 인해 공개된 흉부 X-레이 데이터셋에서 환자 재식별 문제가 발생하는 데 대비하기 위해.
• 임상적으로 관련된 특정 병변 패턴을 유지하면서도 개인정보 보호 기능을 갖춘 합성 흉부 레이저 영상을 생성하기 위한 방법 개발을 위해.
• 잠재 확산 모델을 통해 생성된 순수 합성 데이터셋으로만 훈련된 강력한 흉부 이상 징후 분류 모델을 효과적으로 훈련시킬 수 있는지 평가하기 위해.
• 실제 데이터로 훈련된 모델과 비교하여 LDM 및 PGGAN으로 생성된 합성 데이터로 훈련된 분류기의 성능을 평가하기 위해.
• 이미지 생성 과정에서 환자 고유의 생체정보 식별자가 전이되지 않도록 방지하는 철저한 샘플링 전략을 제안하고 검증하기 위해.

제안 방법

• 56,352장의 익명화된, 단일 병변을 가진 성인 전용(나이 >21세) 영상으로 구성된 ChestX-ray14 데이터셋의 사전 처리된 부분집합에 대해 잠재 확산 모델(LDM)을 훈련시켰다.
• LDM은 영상을 64×64×3 잠재 공간으로 압축하기 위해 VQ-VAE를 사용한 후, 1,000단계의 노이즈 제거를 수행하는 U-Net 기반 확산 모델을 사용한다.
• 원본 환자로부터 생체정보가 간접적으로 암시되는 합성 영상을 방지하기 위해 개인정보 보호 전략을 적용한 샘플링 기법을 구현하였다.
• 14개의 병변 + 건강 상태 총 15개 레이블 중 하나에 조건을 걸어 확산 과정을 조절함으로써 특정 병변이 있는 영상을 생성하는 클래스 조건부 생성을 달성하였다.
• 비교를 위해 기준선으로서의 PGGAN을 훈련하고, LDM가 생성한 영상의 품질과 유용성을 평가하기 위해 활용하였다.
• 분류기는 이진 교차 엔트로피 손실과 조기 정지 기능이 있는 SGD를 사용하여 훈련하였으며, 10회의 독립된 런에서 공통된 실제 테스트 세트로 평가되었다.

Fig. 1 : Illustration of the anonymous image generation process using the proposed privacy-enhancing sampling strategy. We apply generative modeling (1) techniques to synthesize chest radiographs. We then use patient retrieval (2) and verification (3) networks to ensure the non-transference of biome

실험 결과

연구 질문

• RQ1 잠재 확산 모델은 임상적으로 관련된 병변 패턴을 유지하면서도 고해상도의 클래스 조건부 흉부 레이저 영상을 생성할 수 있는가?
• RQ2 제안된 개인정보 보호 샘플링 전략은 실제 환자로부터의 생체정보 식별자가 합성 영상으로 전이되는 것을 효과적으로 방지하는가?
• RQ3 실제 데이터 대비 순수하게 LDM로 생성된 합성 데이터로만 훈련된 흉부 이상 징후 분류기의 성능은 어떻게 되는가?
• RQ4 LDM가 생성한 영상와 PGGAN이 생성한 영상 간의 영상 품질과 후속 분류 유용성 측면에서 어떤 차이가 있는가?
• RQ5 LDM를 통해 생성된 합성 데이터는 환자 개인정보 보호를 보장하면서도 실제 데이터의 실질적인 대안으로서 의료 AI 모델 훈련에 활용될 수 있는가?

주요 결과

• LDM가 생성한 합성 데이터셋은 흉부 이상 징후 분류 과제에서 평균 AUC 78.1%를 기록하였으며, 실제 데이터 기준선(81.6% AUC) 대비 3.5% 성능 격차를 보였다.
• PGGAN가 생성한 합성 데이터로 훈련된 분류기는 유의미하게 열등한 성능을 보이며 평균 AUC 71.9%에 머물렀다. 이는 클래스 특이 정보가 잘 전달되지 않았음을 시사한다.
• 정성적 분석 결과, LDM가 생성한 영상들은 현실적인 해부학적 구조와 명확한 병변을 보이며 뛰어난 영상 품질을 보였고, 반면 PGGAN 영상들은 아티팩트와 해부학적 왜곡을 보였다.
• 일부 병변—결합부위 병변과 흉부 허혈성 병변—에 대해서는 LDM 기반 분류기가 실제 데이터 기준선을 초월하는 성능을 보였다. 이는 합성 데이터가 모델 일반화 능력을 향상시킬 수 있음을 시사한다.
• 개인정보 보호 샘플링 전략은 실제 환자 고유의 패턴을 학습하는 것을 방지함으로써 생체정보 재식별 위험을 효과적으로 완화하였다.
• 결과적으로, LDM를 활용하여 고품질의 익명성, 클래스 조건부 합성 흉부 X-레이를 신뢰성 있게 생성할 수 있으며, 강력한 개인정보 보호 보장을 바탕으로 진단 모델의 효과적인 훈련이 가능하다는 것이 입증되었다.

(a) Infiltration