[論文レビュー] Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation

Chenxin Li, Yunlong Zhang+3 more|arXiv (Cornell University)|Mar 16, 2021

COVID-19 diagnosis using AI参考文献 20被引用数 8

ひとこと要約

本稿では、健康な解剖学的構造を '画像 → 意味 → 画像' のプロセスでモデル化するサイクル変換フレームワークを用いた教師なし異常セグメンテーション手法を提案する。意味的セグメンテーションを中間表現として用いることで、局所化の詳細を保持する。本手法は BraTS および ISLES データセットで最先端の性能を達成し、AUPRC 0.511、DICE 0.544 を記録。従来手法に比べて誤検出を低減し、明示的な意味的モデリングにより病変の局所化を向上させ、顕著に優れた性能を示す。

ABSTRACT

The goal of unsupervised anomaly segmentation (UAS) is to detect the pixel-level anomalies unseen during training. It is a promising field in the medical imaging community, e.g, we can use the model trained with only healthy data to segment the lesions of rare diseases. Existing methods are mainly based on Information Bottleneck, whose underlying principle is modeling the distribution of normal anatomy via learning to compress and recover the healthy data with a low-dimensional manifold, and then detecting lesions as the outlier from this learned distribution. However, this dimensionality reduction inevitably damages the localization information, which is especially essential for pixel-level anomaly detection. In this paper, to alleviate this issue, we introduce the semantic space of healthy anatomy in the process of modeling healthy-data distribution. More precisely, we view the couple of segmentation and synthesis as a special Autoencoder, and propose a novel cycle translation framework with a journey of 'image->semantic->image'. Experimental results on the BraTS and ISLES databases show that the proposed approach achieves significantly superior performance compared to several prior methods and segments the anomalies more accurately.

研究の動機と目的

• 従来の教師なし異常セグメンテーション手法が正常な解剖学的構造を低次元多様体でモデル化する際の局所化情報の損失を解消すること。
• 画像と再構成の間の高解像度の意味的空間を中間表現として導入することで、ピクセル単位の異常検出を向上させること。
• 統一されたサイクル変換フレームワークを用いて、同時に教師あり健康組織セグメンテーションと教師なし異常セグメンテーションを実現すること。
• 実世界の医用画像におけるドメインシフトや多様な病変パターンに対して、モデルの汎化性とロバスト性を向上させること。
• 訓練済み分類器から得られる意味的表現が、外れ値検出のための判別的で統計的に意味のある中間表現として機能できることを示すこと。

提案手法

• フレームワークは、健康な画像を意味的ラベル分布（例：GM、WM、CSF）にマッピングするセグメンテーションモジュールと、これらの意味的マップから画像を再構成する合成モジュールから構成される。
• 2つのモジュールはサイクル整合性の観点から訓練され、閉ループを形成する：画像 → 意味 → 画像。意味的空間をボトルネックとするオートエンコーダーを模倣する。
• 再構成の忠実度と生成画像の現実性を向上させるために、合成モジュールに敵対的訓練を適用する。
• 推論時、入力画像とその再構成画像の残差を計算して異常を検出する。残差が大きい領域は病変を示す。
• 意味的空間を情報ボトルネックフレームワーク内での中間表現として明示的に使用し、空間的詳細を保持するために低次元多様体の代わりに用いる。
• セグメンテーションネットワークからの確率的予測を活用し、予測分布の統計的判別性を用いて異常と正常組織を区別する。

実験結果

リサーチクエスチョン

• RQ1 高解像度の意味的空間は、低次元多様体よりも教師なし異常セグメンテーションにおけるより情報豊かな中間表現として機能するか？
• RQ2 意味的サイクル変換フレームワークを用いて正常な解剖学的構造の分布をモデル化することで、従来のオートエンコーダーに基づく手法に比べ、病変の局所化精度が向上するか？
• RQ3 意味的表現の使用が、ドメインシフトや多様な病変形態下での汎化性にどの程度寄与するか？
• RQ4 同じフレームワークが、同時に教師なし異常セグメンテーションと教師あり健康組織セグメンテーションを実行できるか？
• RQ5 セグメンテーションネットワークの予測分布は、病変アノテーションが存在しない状況下で、どのように判別的外れ値検出に寄与するか？

主な発見

• 提案手法は BraTS データセットで AUPRC 0.511、DICE 0.544 を達成し、従来手法（AE: AUPRC 0.229、VAE: 0.331、GMVAE: 0.253、fAnoGAN: 0.373）を顕著に上回る性能を示した。
• より困難な ISLES データセットでは、AUPRC 0.110、DICE 0.178 を達成し、ドメインシフトや病変の多様性にもかかわらず強い汎化性能を示した。
• 可視化比較では、本手法が AE や VAE よりも健康組織の再構成が明瞭であることが確認され、WM や CSF の正常構造の過剰セグメンテーションによる誤検出が低減された。
• GMVAE とは異なり、入力とほぼ同一の再構成を生成するため異常を強調できないのに対し、本手法は残差マップにおいて病変と健康組織のコントラストを明確に維持している。
• 意味的空間のおかげで、特に小さな病変や低コントラスト病変において、より正確な病変の強調が可能であることが、残差マップの視覚的比較で裏付けられた。
• セグメンテーションモジュールの事後確率分布は、病変と正常組織が統計的に明確に区別できることを示しており、一部の正常組織（例：GM）が病変に近い分布を示すことも確認された。本フレームワークは、この性質を活用して残差解析により異常検出を強化している。