GANを使って合成医療画像を生成する

医療画像分析は、侵襲的な手続きを行わなくても患者の健康を理解するのに役立つ。最近、機械学習やディープラーニングモデルを使うことが流行ってるけど、画像を手動で分析するのは時間がかかるし、医療従事者にとっては大変な作業だからなんだ。これらのモデルがうまく機能するためには、多くのトレーニングデータが必要だけど、医療分野ではプライバシーの問題や画像のラベリングに時間がかかるため、データを集めるのが難しい。

公開されている医療画像データセットはいくつかあるけど、他の分野で使われているデータセットよりもずっと小さいことが多い。例えば、有名なデータセットImageNetは1400万枚以上の画像を含んでいるのに対し、特定の医療データセットRadImageNetはわずか500万枚しかない。この違いは、もっとトレーニングデータを集める新しい方法が必要だってことを示してる。

#生成対敵ネットワーク（GAN）

医療画像をもっと生成するための有望なアプローチの一つが、生成対敵ネットワーク（GAN）を使うこと。これらのモデルはリアルな画像を作ることができて、画像のセグメンテーションや分類のようなタスクに便利なんだ。この分野での初期の研究では、特に脳のMRI画像に関して良い結果が出てることが分かった。しかし、GANには計算負荷が高くなりがちで、処理時間が長くなるという課題がある。これは、GANが学ぶ方法によるもので、生成器と識別器という二つのモデルが関与しているから。

以前の研究からの重要な発見は、強力なコンピューティング環境を使うことで、トレーニングを速めて安定性を向上させられるということ。

#GANの評価

もう一つの重要な点は、これらのGANがどれだけうまく機能しているかを測る完璧な方法がないってこと。いくつかの指標が提案されているけど、フレシェ距離（FID）などの測定は生成された画像の品質を完全には捉えられないかもしれない。FIDスコアは本物の画像と合成画像を比較するけど、それらの画像がどれだけ多様であるかは考慮していないことがある。一部のケースでは、高解像度の画像の方が低いFIDスコアになることもあって、多様性が欠けているかもしれない。

これらの課題のために、以前のGANモデルであるDeep Convolutional GAN（DCGAN）を再実装して、改良版のWGAN-GPも使った。我々の目標は、より大きな分散コンピュータ環境で脳のMRI画像を生成することだった。両方のモデルをTensorFlowで作成し、プロのコンピューティングリソースを利用して作業をうまく処理した。

#データと実装

BraTS 2020と2021という2つのデータセットを使って、モデルの徹底的な評価を行った。我々のアプローチは、256×256の画像を生成し、合成画像が本物の画像に近いことを示す顕著なFIDスコアを達成した点で、以前の研究とは異なっていた。

DCGANは高品質な画像を作れるため、医療画像分析でよく使われる。特に、フラクショナルストライド畳み込みと呼ばれる特定のタイプのレイヤーを使用して、リアルな画像を生成するのを助けている。我々の以前の研究では異なるフレームワークを使っていたけど、今はアーキテクチャをTensorFlowに合わせ、一部の活性化関数を調整してパフォーマンスを向上させた。

一方、WGANは重みクリッピングや非同期トレーニングを使用して、GANをトレーニングするための別の方法を提供し、画像品質を向上させたりトレーニング時間を短縮したりすることができる。我々の発見では、両方のモデルがMRI画像を効果的に生成できることが分かったけど、WGAN-GPは大きなデータセットを扱う際にいくつかの問題に直面した。

#結果と議論

実験では、各トレーニングのエポックごとに1枚の256×256の脳MRI画像が得られた。我々はFIDメトリックを使って画像を評価し、異なる2セットのトレーニングデータを適用した。我々の結果は、DCGANのFIDスコアが一般的にWGAN-GPよりも良かったことを示した。この違いは、トレーニングに使われたデータセットの特性によるものだと思われる。

過去の研究の結果と比較したところ、大きな画像セットはより良いFIDスコアを生む傾向があることが分かった。つまり、より多くの画像が質の高い合成画像を生むってこと。我々のモデルは他のモデルと同等かそれ以上の性能を示していて、分散コンピューティング環境が医療画像の様々なアプリケーションのためにトレーニングデータを成功裏に生成できることを示唆している。

我々のモデルから生成された画像は、元のサンプルよりも詳細が少なかった。使用したうちの2セットは特定のタイプのMRIコントラストに焦点を当てていたため、異なるタイプの画像を使ったさらなる実験が必要だと思われる。

#結論と今後の研究

合成医療画像の生成は、限られたデータの課題に対処するための効果的なツールになりつつある。GANの使用は、トレーニング用途に高品質な画像を作成するための主要な方法として浮上してきた。これらのモデルのトレーニングにはかなりの計算リソースが必要なので、作業を分散させることが実用的なアプリケーションには不可欠だ。

この研究では、脳のMRI画像を生成するために、分散環境でGANを再実装することに成功した。しかし、これらの合成画像の品質を測ることは複雑で、さまざまな指標が異なる側面を評価する。FIDスコアを用いた評価では、我々が生成した画像は他の研究で報告されているものと比較できることが示された。

より大きなデータセットを用いることでモデルのパフォーマンスが向上することは明らかで、我々のテストでも大きな画像セットでFIDスコアが改善されることが分かった。医療画像におけるFIDメトリックの使用に関連する課題にもかかわらず、RadImageNetの重みを使って画像品質を測定することの強い証拠が見つかった。

今後の研究では、より大規模な分散設定へのテストを拡張し、モデルの微調整のためにさらに多くの実験を行うことに焦点を当てる予定。ハイパーパラメータを最適化することで、合成画像の品質をさらに向上させ、WGAN-GPがトレーニング中に直面する課題を深く理解していくつもりだ。