[論文レビュー] Active Learning for Breast Cancer Identification

Xinpeng Xie, Yuexiang Li+1 more|arXiv (Cornell University)|Apr 18, 2018

Machine Learning and Algorithms参考文献 8被引用数 5

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）の学習セットから誤ってラベル付けされた画像を繰り返し特定・削除することで、深層学習を用いた乳がん同定の性能を向上させる、新しいトレーニング戦略「逆転アクティブラーニング（RAL）」を提案する。ICIAR 2018 乳がんデータセット上で評価された結果、RALはスライスベース分類精度を 93.75% から 96.25% まで向上させ、人為的ラベル付け作業を最小限に抑えながらも、診断の信頼性を著しく向上させることを示した。

ABSTRACT

Breast cancer is the second most common malignancy among women and has become a major public health problem in current society. Traditional breast cancer identification requires experienced pathologists to carefully read the breast slice, which is laborious and suffers from inter-observer variations. Consequently, an automatic classification framework for breast cancer identification is worthwhile to develop. Recent years witnessed the development of deep learning technique. Increasing number of medical applications start to use deep learning to improve diagnosis accuracy. In this paper, we proposed a novel training strategy, namely reversed active learning (RAL), to train network to automatically classify breast cancer images. Our RAL is applied to the training set of a simple convolutional neural network (CNN) to remove mislabeled images. We evaluate the CNN trained with RAL on publicly available ICIAR 2018 Breast Cancer Dataset (IBCD). The experimental results show that our RAL increases the slice-based accuracy of CNN from 93.75% to 96.25%.

研究の動機と目的

• 従来の乳がん診断における観察者間ばらつきと高い人的コストの課題に対処するため、自動分類システムを開発すること。
• データ効率の良いトレーニング戦略を用いて、深層学習モデルの乳がん画像分類精度を向上させること。
• 医療画像データセットにおける誤ってラベル付けされたデータの影響を、CNN の性能に与える悪影響を軽減すること。
• 誤ってラベル付けされたデータを特定・削除する新しいアクティブラーニングアプローチ「逆転アクティブラーニング（RAL）」を提案し、実証すること。

提案手法

• RAL は単純な CNN の学習セットに適用され、誤ってラベル付けされた画像を特定・削除する。
• この手法は、通常のアクティブラーニングとは逆向きに不確実性サンプリングを用いる：ラベル付けすべき情報を選ぶ代わりに、低信頼度の予測を特定し、誤ってラベル付けされた可能性が高いとみなして破棄する。
• 繰り返し処理により、高い信頼度で予測されたが誤ったラベルが付与された画像が削除され、その予測がラベル付けエラーを示していると仮定する。
• 洗練された学習セットを再トレーニングに用いることで、一般化性能と精度が向上する。
• このアプローチは、乳がん画像分類のための公開ベンチマークである ICIAR 2018 乳がんデータセット上で評価された。

実験結果

リサーチクエスチョン

• RQ1 アクティブラーニングに基づくデータクリーニング戦略は、乳がん画像分類における CNN の性能を向上させることができるか？
• RQ2 学習セットから誤ってラベル付けされた画像を削除することで、分類精度はどの程度向上するか？
• RQ3 逆転アクティブラーニング（RAL）は、ノイズの多い医療画像データセットにおいて、標準的なトレーニングを上回る性能を示すか？
• RQ4 医療画像解析の文脈において、RAL は従来のアクティブラーニングと比較してどのように異なるか？

主な発見

• 逆転アクティブラーニング（RAL）は、ICIAR 2018 乳がんデータセットにおける CNN のスライスベース分類精度を 93.75% から 96.25% まで向上させた。
• 追加の人的ラベル付けを一切必要とせず、モデルの信頼度のみを用いて誤ってラベル付けされたサンプルを検出するという点で、この向上が達成された。
• この手法は、学習データ内のラベル付けエラーの悪影響を効果的に低減し、より頑健なモデル一般化を実現した。
• 結果から、RAL を用いたデータ品質の向上は、医療画像における深層学習モデルの性能向上に実用的で効果的な戦略であることが示された。