[논문 리뷰] Sparse-GAN: Sparsity-constrained Generative Adversarial Network for Anomaly Detection in Retinal OCT Image

Kang Zhou, Shenghua Gao외 7명|arXiv (Cornell University)|2019. 11. 28.

Retinal Imaging and Analysis참고 문헌 19인용 수 6

한 줄 요약

이 논문은 건강한 훈련 데이터만을 사용하여 망막 OCT 영상에서의 이방성 검출을 위한 스파arsity 제약을 가한 생성적 적대적 네트워크인 Sparse-GAN을 제안한다. 잠재 공간에서의 이방성 예측과 새로운 정규화 네트워크를 통한 스파arsity 강제로, 테스트 세트에서 SOTA AUC 0.925를 달성하며, 병변을 국소화하는 해석 가능한 이방성 활성화 맵을 생성한다.

ABSTRACT

With the development of convolutional neural network, deep learning has shown its success for retinal disease detection from optical coherence tomography (OCT) images. However, deep learning often relies on large scale labelled data for training, which is oftentimes challenging especially for disease with low occurrence. Moreover, a deep learning system trained from data-set with one or a few diseases is unable to detect other unseen diseases, which limits the practical usage of the system in disease screening. To address the limitation, we propose a novel anomaly detection framework termed Sparsity-constrained Generative Adversarial Network (Sparse-GAN) for disease screening where only healthy data are available in the training set. The contributions of Sparse-GAN are two-folds: 1) The proposed Sparse-GAN predicts the anomalies in latent space rather than image-level; 2) Sparse-GAN is constrained by a novel Sparsity Regularization Net. Furthermore, in light of the role of lesions for disease screening, we present to leverage on an anomaly activation map to show the heatmap of lesions. We evaluate our proposed Sparse-GAN on a publicly available dataset, and the results show that the proposed method outperforms the state-of-the-art methods.

연구 동기 및 목표

• 희귀하거나 알려지지 않은 망막 질환에 대한 레이블이 부족한 의료 데이터 문제를 해결한다.
• 질병 샘플이 필요 없이 망막 OCT 영상에서 이방성을 검출할 수 있도록 한다.
• 이방성 활성화 맵을 통한 병변 국소화를 통해 모델의 설명 가능성을 향상시킨다.
• OCT 스캔에서의 이미지 노이즈(예: 스펙클 노이즈)에 대한 내성 향상.
• AnoGAN과 f-AnoGAN과 같은 이중 단계 GAN보다 뛰어난 성능을 보이는 엔드 투 엔드 학습 가능한 프레임워크를 개발한다.

제안 방법

• 건강한 OCT 스캔에서의 영상 복원을 위한 엔드 투 엔드 최적화를 수행하는 이미지 투 이미지 GAN을 사용한다.
• 입력 영상의 잠재 특징과 재구성된 영상의 잠재 특징 간의 L2 거리 기반으로 이방성 점수를 예측한다: $\mathcal{A}(\mathbf{I}_{in}) = \|\mathbf{H}_{in} - \mathbf{H}_{re}\|_2$.
• 학습 중에 잠재 특징의 스파arsity를 제약하기 위해 새로운 스파arsity 정규화 네트워크를 도입하여, 알려지지 않은 이방성에 대한 일반화 능력을 향상시킨다.
• 재구성된 영상을 잠재 공간으로 매핑하기 위해 추가 인코더를 활용하여, 이미지 수준의 노이즈가 이방성 검출에 미치는 영향을 줄인다.
• 재구성 손실($\mathcal{L}_{re}$), 적대적 손실($\mathcal{L}_{adv}$), 스파arsity 정규화($\mathcal{L}_{sp}$)의 조합을 사용하여 모델을 훈련한다.
• 병변 위치를 강조하기 위해 이방성 활성화 맵(AAMs)을 생성하여 임상적 해석 가능성을 향상시킨다.

실험 결과

연구 질문

• RQ1 잠재 공간에서의 이방성 검출이 영상 수준의 재구성보다 OCT 영상 분석에서 성능을 향상시킬 수 있는가?
• RQ2 잠재 특징의 스파arsity를 강제로 적용하면 알려지지 않은 망막 병변의 검출 성능이 향상되는가?
• RQ3 오직 건강한 OCT 데이터로만 훈련된 GAN 기반 프레임워크가 질병 전용 애너테이션 없이 다양한 이방성을 효과적으로 검출할 수 있는가?
• RQ4 제안된 스파arsity 정규화 네트워크가 내성 향상과 일반화 능력 향상에 얼마나 효과적인가?
• RQ5 모델이 생성한 이방성 활성화 맵이 임상적으로 중요한 병변을 정확히 국소화할 수 있는가?

주요 결과

• Sparse-GAN은 테스트 세트에서 AUC 0.925를 달성하여, f-AnoGAN(AUC 0.882)과 오토에인코더(AUC 0.783)를 포함한 기존 최고 성능 방법들을 능가한다.
• 모델은 테스트 세트에서 민감도 0.951을 기록하여 높은 진단 감지율을 보이며, 놓친 진단 비율이 낮음을 시사한다.
• 제거 실험 결과, 잠재 공간 기반 이방성 점수 계산, 재구성 인코딩, 스파arsity 정규화 등 각 구성 요소가 성능 향상에 점진적으로 기여하며, 특히 스파arsity 정규화가 가장 큰 기여를 한다.
• 이방성 활성화 맵은 병변을 성공적으로 국소화하여, 임상 적용을 위한 모델의 설명 가능성 검증에 기여한다.
• 잠재 공간에서의 운영 덕분에 이미지 노이즈(예: 스펙클 노이즈)의 영향을 줄여 이상 패턴의 재구성 정밀도를 향상시킨다.
• 이미지 투 이미지 GAN의 엔드 투 엔드 학습은 AnoGAN과 f-AnoGAN과 같은 이중 단계 학습 방법보다 더 뛰어난 성능을 낸다.