[论文解读] Markov-Chain Monte Carlo Approximation of the Ideal Observer using Generative Adversarial Networks

Weimin Zhou, Mark A. Anastasio|arXiv (Cornell University)|Jan 26, 2020

Generative Adversarial Networks and Image Synthesis参考文献 16被引用 6

一句话总结

本文提出了一种新颖的方法，通过结合马尔可夫链蒙特卡洛（MCMC）技术与生成对抗网络（GANs），在医学成像中近似理想观测者（IO）性能，以建模复杂的随机对象模型（SOMs）。通过在背景图像上训练 GAN，并在 GAN 的潜在空间中使用 MCMC 采样，该方法实现了对信号已知确切（SKE）和信号已知统计（SKS）任务的精确 IO 估计，在 lumpy 背景模型上的结果与传统 MCMC 方法高度一致。

ABSTRACT

The Ideal Observer (IO) performance has been advocated when optimizing medical imaging systems for signal detection tasks. However, analytical computation of the IO test statistic is generally intractable. To approximate the IO test statistic, sampling-based methods that employ Markov-Chain Monte Carlo (MCMC) techniques have been developed. However, current applications of MCMC techniques have been limited to several object models such as a lumpy object model and a binary texture model, and it remains unclear how MCMC methods can be implemented with other more sophisticated object models. Deep learning methods that employ generative adversarial networks (GANs) hold great promise to learn stochastic object models (SOMs) from image data. In this study, we described a method to approximate the IO by applying MCMC techniques to SOMs learned by use of GANs. The proposed method can be employed with arbitrary object models that can be learned by use of GANs, thereby the domain of applicability of MCMC techniques for approximating the IO performance is extended. In this study, both signal-known-exactly (SKE) and signal-known-statistically (SKS) binary signal detection tasks are considered. The IO performance computed by the proposed method is compared to that computed by the conventional MCMC method. The advantages of the proposed method are discussed.

研究动机与目标

• 将基于 MCMC 的理想观测者近似方法的应用范围扩展到复杂、数据驱动的随机对象模型（SOMs），超越简单的解析模型。
• 解决在涉及复杂背景变异的真实医学成像任务中，解析 IO 计算的不可行性问题。
• 开发一个可推广的框架，利用深度生成模型（GANs）表示 SOMs，并支持 MCMC 采样以进行似然比估计。
• 在 lumpy 背景模型上，将所提出的 MCMC-GAN 方法与传统 MCMC 方法在 SKE 和 SKS 信号检测任务中进行对比验证。

提出的方法

• 在包含 100,000 幅 lumpy 背景图像的数据集上训练生成对抗网络（GAN），以学习表示背景变异的随机对象模型（SOM）。
• GAN 的生成器网络将低维潜在向量 z 映射为合成背景图像 b = G(z; ΘG)，从而实现从学习到的背景分布中采样。
• 在训练好的 GAN 的潜在空间中应用马尔可夫链蒙特卡洛（MCMC）技术，特别是随机游走 Metropolis-Hastings（RWMH）算法，以从后验分布 p(z|g, H₀) 中采样。
• 对于 SKE 任务，通过在 MCMC 采样的 z 上平均 BKE 似然比 ΛBKE(g|b(z)) 来近似似然比。
• 对于 SKS 任务，对潜在向量 z 和信号参数 α 进行联合采样，并通过样本平均估计 BSKE 似然比。
• MCMC 链运行 100,000 次迭代，预 burn-in 步骤为 1,000 步，使用 Metz-ROC 软件生成并拟合受试者工作特征（ROC）曲线。

实验结果

研究问题

• RQ1 能否在通过生成对抗网络（GANs）学习到的随机对象模型（SOMs）上有效应用 MCMC 技术，以近似理想观测者（IO）性能？
• RQ2 当应用于标准 lumpy 背景模型时，所提出的 MCMC-GAN 方法与传统 MCMC 方法相比性能如何？
• RQ3 MCMC-GAN 框架能否扩展以处理信号已知确切（SKE）和信号已知统计（SKS）检测任务？
• RQ4 与解析方法或传统基于采样的方法相比，使用 GAN 学习的 SOM 进行 IO 性能估计的准确性如何？
• RQ5 该框架能否推广到更复杂、传统 MCMC 方法难以处理的真实对象模型？

主要发现

• MCMC-GAN 方法在 lumpy 背景模型上生成的 ROC 曲线和 AUC 值与传统 MCMC 方法在 SKE 和 SKS 任务中结果高度一致。
• 对于 SKE 检测任务，MCMC-GAN 方法计算的 AUC 值为 0.921，与传统 MCMC 方法的 0.923 几乎完全相同，表明性能极为接近。
• 对于 SKS 检测任务，MCMC-GAN 方法的 AUC 值为 0.854，与传统 MCMC 方法的 0.856 相当，进一步验证了该方法的准确性。
• 该方法成功实现了在 GAN 潜在空间中的 MCMC 采样，证明了复杂、数据驱动的 SOM 可用于 IO 近似。
• 该方法可推广至任何可通过 GAN 学习的对象模型，显著扩展了基于 MCMC 的 IO 估计在简单解析模型之外的应用范围。
• 由于 GAN 生成器具有可微性，可在 MCMC 提议中使用梯度信息（如通过 MALA 或 HMC），从而实现更高效的采样。