[論文レビュー] Adaptation of a deep learning malignancy model from full-field digital mammography to digital breast tomosynthesis

Sadanand Singh, Thomas P. Matthews+7 more|arXiv (Cornell University)|Jan 23, 2020

AI in cancer detection参考文献 20被引用数 4

ひとこと要約

本論文では、フルフィールドデジタルマンモグラフィ（FFDM）で訓練された深層学習悪性モデルを、最大強度投影（MIP）画像を用いてデジタル乳房トモサインテーシス（DBT）にドメイン適応する手法を提案する。ドメインシフトを低減するための平均ヒストグラムマッチングと、SpotTuneを用いたファインチューニングを適用することで、DBT MIP画像上でAUC 0.847を達成した。これは、直接MIPにテストした場合（AUC ~0.75）よりも顕著に優れており、限られたDBTデータでも効果的な適応が可能であることを示している。

ABSTRACT

Mammography-based screening has helped reduce the breast cancer mortality rate, but has also been associated with potential harms due to low specificity, leading to unnecessary exams or procedures, and low sensitivity. Digital breast tomosynthesis (DBT) improves on conventional mammography by increasing both sensitivity and specificity and is becoming common in clinical settings. However, deep learning (DL) models have been developed mainly on conventional 2D full-field digital mammography (FFDM) or scanned film images. Due to a lack of large annotated DBT datasets, it is difficult to train a model on DBT from scratch. In this work, we present methods to generalize a model trained on FFDM images to DBT images. In particular, we use average histogram matching (HM) and DL fine-tuning methods to generalize a FFDM model to the 2D maximum intensity projection (MIP) of DBT images. In the proposed approach, the differences between the FFDM and DBT domains are reduced via HM and then the base model, which was trained on abundant FFDM images, is fine-tuned. When evaluating on image patches extracted around identified findings, we are able to achieve similar areas under the receiver operating characteristic curve (ROC AUC) of $\sim 0.9$ for FFDM and $\sim 0.85$ for MIP images, as compared to a ROC AUC of $\sim 0.75$ when tested directly on MIP images.

研究の動機と目的

• 限られたラベル付きDBTデータの課題に対処するために、事前にFFDMで訓練された悪性モデルをDBT検査に適応すること。
• 画像前処理技術を用いて、FFDMとDBTの画像分布間のドメインシフトを低減すること。
• 限られたターゲットドメインデータを用いたDBT MIP画像におけるトランスファー学習および適応的ファインチューニング戦略の有効性を評価すること。
• 大規模なDBTデータセットで再訓練することなく、DBTにおける悪性分類性能を向上させること。

提案手法

• 本研究では、3次元DBTボリュームを2次元画像に変換するため、最大強度投影（MIP）を用い、既存のFFDMモデルとの互換性を確保する。
• FFDMとDBT MIP画像の強度分布を一致させるために、平均ヒストグラムマッチング（HM）を適用し、ドメインシフトを低減する。
• FFDMで事前に訓練された深層学習モデルを、HMの有無に関わらずDBT MIP画像でファインチューニングし、新しいドメインに適応させる。
• SpotTune、すなわち入力画像の特徴に基づいてネットワーク内の特定の残差ブロックを選択的に更新する学習可能なファインチューニングポリシーを用いる。
• 画像パッチの周囲に放射線科医がアノテートした所見を用いて、受信者操作特性曲線の下側面積（AUC）を評価する。
• 大規模なFFDMデータセットからのトランスファーラーニングを活用し、新しいラベル付け作業を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 限られたラベル付きDBTデータを用いて、FFDMで訓練された深層学習悪性モデルがDBT MIP画像に効果的に適応可能か。
• RQ2 ヒストグラムマッチングは、FFDMとDBT画像分布間のドメインシフトをどれほど効果的に低減できるか。
• RQ3 直接推論と比較して、ファインチューニングまたはSpotTuneはDBT MIP画像におけるモデル性能をどのように向上させるか。
• RQ4 事前学習なしでDBT MIP画像に直接学習させたベースラインモデルと比較して、適応モデルの性能はどの程度か。
• RQ5 パッチの前処理（HM）とモデル適応（ファインチューニング）の相対的寄与度は、DBTで高い性能を達成するためにどの程度か。

主な発見

• ヒストグラムマッチング単体で最高の性能を達成し、DBT MIP画像でAUC 0.847を記録した。他のすべての適応戦略を上回った。
• ヒストグラムマッチングなしでは、ファインチューニングとSpotTuneが、ベースラインAUC ~0.75からそれぞれ0.837および0.830まで向上させた。
• ヒストグラムマッチングを適用後、SpotTuneと標準的なファインチューニングの性能差が縮まり、ネットワークの広範な更新の必要性が低下した。
• FFDMパッチではAUC ~0.9を達成しており、ソースドメインにおける強力なベースライン性能を示した。
• ターゲットデータが限られている状況では、前処理（HM）によるドメインシフト低減が、複雑なファインチューニング戦略よりも効果的であることが示された。
• 本研究では、ターゲットドメインに限られたラベル付きデータしかない状況でも、新しい画像モodalに効果的な適応が可能であることを示した。