f-AnoGAN: 생성적 적대 신경망을 이용한 빠른 비지도 이상 탐지

임상 영상에서 전문가 레이블을 확보하는 것은 철저한 주석(annotation) 작업이 시간이 많이 소요되므로 어렵다. 게다가 가능한 모든 관련 마커가 미리 충분히 잘 정의되어 있어 주석을 안내할 수 있는 것도 아니다. 감독 학습은 전문가 레이블이 있는 학습 데이터가 존재할 경우 우수한 성과를 내지만, 주석된 병변에 한정되어 있어 탐지하고 활용할 수 있는 발견의 시각적 변동성 및 용어 체계는 제한적이다. 본 연구에서는 이상 영상 및 영상 세그먼트를 식별할 수 있는 생성적 적대 신경망(GAN) 기반 비감독 학습 방법인 fast AnoGAN(f-AnoGAN)을 제안한다. 이는 영상 생물학적 지표 후보로서 활용될 수 있다. 우리는 건강한 학습 데이터에 대한 생성 모델을 구축하고, 새로운 데이터를 GAN의 잠재 공간(latent space)에 빠르게 매핑하는 기법을 제안하고 평가한다. 이 매핑은 훈련된 인코더 기반으로 이루어지며, 이상은 훈련된 모델의 구성 요소인 판별자 특징 잔차 오차(discriminator feature residual error)와 이미지 재구성 오차(image reconstruction error)를 결합한 이상 점수를 통해 탐지한다. 광학 간섭 단층촬영(OCT) 데이터에 대한 실험에서 제안한 방법을 다른 대안 방법들과 비교하여, f-AnoGAN이 다른 접근법보다 우수하며 높은 이상 탐지 정확도를 달성함을 종합적인 실증적 증거로 제시한다. 또한, 두 명의 망막 전문가를 대상으로 실시한 시각적 튜링 테스트에서는 생성된 이미지가 실제 정상 망막 OCT 이미지와 구별할 수 없음을 확인하였다. f-AnoGAN의 소스 코드는 https://github.com/tSchlegl/f-AnoGAN에서 제공된다.