[論文レビュー] Abnormality Detection in Mammography using Deep Convolutional Neural Networks

Pengcheng Xi, Chang Shu+1 more|arXiv (Cornell University)|Mar 5, 2018

AI in cancer detection参考文献 19被引用数 23

ひとこと要約

本論文は、微小な画像パッチにおける事前学習済み畳み込みニューラルネットワーク（CNN）を用いた転移学習を活用し、マムグラムにおける石灰化病変および腫瘍の検出および局在化のためのディープラーニング手法を提案する。VGGNetなどの最先端のCNNを微調整し、局在化にクラス活性マッピング（CAM）を用いることで、全画像に直接学習させないまま92.53％の分類精度を達成し、全マムグラムにおける病変の局在化に成功した。

ABSTRACT

Breast cancer is the most common cancer in women worldwide. The most common screening technology is mammography. To reduce the cost and workload of radiologists, we propose a computer aided detection approach for classifying and localizing calcifications and masses in mammogram images. To improve on conventional approaches, we apply deep convolutional neural networks (CNN) for automatic feature learning and classifier building. In computer-aided mammography, deep CNN classifiers cannot be trained directly on full mammogram images because of the loss of image details from resizing at input layers. Instead, our classifiers are trained on labelled image patches and then adapted to work on full mammogram images for localizing the abnormalities. State-of-the-art deep convolutional neural networks are compared on their performance of classifying the abnormalities. Experimental results indicate that VGGNet receives the best overall accuracy at 92.53\% in classifications. For localizing abnormalities, ResNet is selected for computing class activation maps because it is ready to be deployed without structural change or further training. Our approach demonstrates that deep convolutional neural network classifiers have remarkable localization capabilities despite no supervision on the location of abnormalities is provided.

研究の動機と目的

• 自動特徴抽出を可能にする深層畳み込みニューラルネットワーク（CNN）を活用し、マムグラムにおけるコンピュータ支援検出（CADe）の性能向上を図ること。
• 直接的に全サイズの画像で学習を行うと詳細情報が損なわれ、性能が低下する低コントラストでノイズの多いマムグラム画像の課題に対処すること。
• クラス活性マッピング（CAM）を用いて、全画像に直接学習させないパッチ学習済みCNNにより、全マムグラムにおける石灰化病変および腫瘍の正確な局在化を可能にすること。
• 限定的なデータセット上で、最先端の深層CNNアーキテクチャ（例：VGGNet、ResNet、GoogLeNet）の性能を過学習を避けて比較すること。
• CBIS-DDSMデータセットを用いたマムグラムにおける病変検出のための今後の研究の基準となるパフォーマンスを確立すること。

提案手法

• 転移学習を用いて、石灰化病変および腫瘍のラベル付き画像パッチ上で事前学習済みの深層CNN（AlexNet、VGGNet、GoogLeNet、ResNet）を微調整する。
• 確率的勾配降下法（SGD）を用い、モーメンタムを適用し、バッチサイズ16、初期学習率1e-4でモデルを学習し、99.5％の精度に達するか200エポックで早期停止を行う。
• 全マムグラム画像に再学習なしに訓練済みのパッチ分類器を適用し、クラス活性マッピング（CAM）を用いて病変を局在化する。
• CAMの計算には、CAM = Σ(w_i * f_i) の式を用いる。ここで w_i は全結合層の重み、f_i は最後の畳み込み層からの特徴マップである。
• 構造的変更や追加学習なしにCAMと互換性があるため、局在化にはResNetを採用した。
• 一般化性能を向上させ、限定的なデータセットにおける過学習を軽減するために、データ拡張と5分割交差検証を実施した。

実験結果

リサーチクエスチョン

• RQ1 微小な画像パッチで学習した深層畳み込みニューラルネットワークは、マムグラムにおける石灰化病変および腫瘍の分類において高い精度を達成できるか？
• RQ2 限定的なデータセット上で微調整された状態で、どの最先端のCNNアーキテクチャが石灰化病変および腫瘍の分類において最も優れた性能を示すか？
• RQ3 パッチで学習したCNNは、全サイズ画像に直接学習させない状態でも、効果的に全マムグラムにおける病変の局在化に応用可能か？
• RQ4 クラス活性マッピングは、マムグラムにおける病変の正確で解釈可能な局在化をどの程度可能にするか？
• RQ5 データ拡張を伴う転移学習は、CBIS-DDSMのような小さな医療画像データセットにおいて、性能をどの程度向上させるか？

主な発見

• VGGNetが全体で最高の分類精度92.53％を達成し、AlexNet（91.23％）、GoogLeNet（91.10％）、ResNet（91.80％）を上回った。
• 腫瘍分類においては、GoogLeNetが95.06％の最高精度を記録した一方、VGGNetは腫瘍検出で92.64％の精度を達成した。
• 構造的変更や追加学習なしにCAMと互換性があるため、局在化にはResNetが選択された。
• クラス活性マップにより、全マムグラムにおける石灰化病変および腫瘍の局在化に成功し、可視化結果は正解のバイナリマスクアノテーションとよく一致した。
• 本手法により、セグメンテーションや全画像学習を必要とせず、パッチレベルの教師信号のみで深層CNNが全画像における病変の局在化を可能にすることが示された。
• 本研究は、CBIS-DDSMデータセットを用いた石灰化病変および腫瘍検出において、深層学習を用いた最初の報告されたベースラインパフォーマンスを提供した。