[論文レビュー] Automated Detection of Individual Micro-calcifications from Mammograms using a Multi-stage Cascade Approach

Zhi Lu, Gustavo Carneiro+2 more|arXiv (Cornell University)|Oct 7, 2016

AI in cancer detection参考文献 4被引用数 7

ひとこと要約

本論文は、形状および外観特徴に基づいて候補を分類することでクラスタリングの前段階で誤検出を低減する、ブースティング分類器を用いたマルチステージのカスケード手法を提案し、マンモグラムにおける個々のマイクロカルシフィケーション（μC）を検出する。INbreastデータセットにおいて、1枚あたり1件の誤検出（FPI）で40%の真正陽性率（TPR）を達成し、10 FPIで80%を達成しており、従来の最先端手法を著しく上回っている。

ABSTRACT

In mammography, the efficacy of computer-aided detection methods depends, in part, on the robust localisation of micro-calcifications ($μ$C). Currently, the most effective methods are based on three steps: 1) detection of individual $μ$C candidates, 2) clustering of individual $μ$C candidates, and 3) classification of $μ$C clusters. Where the second step is motivated both to reduce the number of false positive detections from the first step and on the evidence that malignancy depends on a relatively large number of $μ$C detections within a certain area. In this paper, we propose a novel approach to $μ$C detection, consisting of the detection \emph{and} classification of individual $μ$C candidates, using shape and appearance features, using a cascade of boosting classifiers. The final step in our approach then clusters the remaining individual $μ$C candidates. The main advantage of this approach lies in its ability to reject a significant number of false positive $μ$C candidates compared to previously proposed methods. Specifically, on the INbreast dataset, we show that our approach has a true positive rate (TPR) for individual $μ$Cs of 40\% at one false positive per image (FPI) and a TPR of 80\% at 10 FPI. These results are significantly more accurate than the current state of the art, which has a TPR of less than 1\% at one FPI and a TPR of 10\% at 10 FPI. Our results are competitive with the state of the art at the subsequent stage of detecting clusters of $μ$Cs.

研究の動機と目的

• 既存のコンピュータ支援検出システムがしばしば直面する、マンモグラム解析における誤検出の多い個々のマイクロカルシフィケーション検出を低減すること。
• 形状および外観特徴を用いてパイプラインの初期段階で誤検出をフィルタリングすることで、マイクロカルシフィケーション検出の信頼性を向上させること。
• 別個のクラスタ分類ステップを必要とせず、高精度なクラスタ検出性能を維持すること。
• マンモグラムのマイクロカルシフィケーションを用いた早期乳がん検出のより強固で正確なパイプラインを開発すること。

提案手法

• 本手法は、事前処理済みマンモグラムから個々のマイクロカルシフィケーション候補を検出するために、RUSBoost分類器のマルチステージカスケードを用いる。
• 個々のマイクロカルシフィケーション候補は12×12ピクセルのパッチにリサイズされ、連結成分からの形状および外観特徴が抽出される。
• 2番目の段階では、1,000個の弱学習器を有する専用のRUSBoost分類器が、特徴に基づいて個々の候補を真正陽性または偽陽性に分類する。
• 最終段階では、幾何的近接性および密度基準を用いて、残存する高信頼度の個々の検出をクラスタリングし、別個のクラスタ分類ステップの必要性を排除する。
• パイプラインはINbreastデータセットを用いて交差検証により学習および検証され、モデル選択は検証サブセットで実施される。
• 性能評価は、個々の検出には0.5のオーバーラップ閾値を、クラスタ検出には共有クラスタメンバーシップを用いた自由応答受信操作特性（FROC）曲線およびケースベースのROC曲線を用いて実施される。

実験結果

リサーチクエスチョン

• RQ1 ブースティング分類器のカスケードは、高い真正陽性検出率を維持しつつ、誤検出の多い個々のマイクロカルシフィケーション検出を効果的に低減できるか？
• RQ2 形状および外観特徴に基づいた個々のマイクロカルシフィケーション候補のフィルタリングは、その後のクラスタ検出性能を向上させるか？
• RQ3 本手法のパイプラインは、標準的な3段階CADeパイプラインと比較して、個々のマイクロカルシフィケーション検出の精度において優れているか？
• RQ4 最終段階のクラスタ分類ステップを削除することで、全体の検出性能にどの程度の影響が生じるか？

主な発見

• 本手法は、1枚あたり1件の誤検出（FPI）における真正陽性率（TPR）が40%に達し、同FPIレベルで1%未満のTPRしか報告していない従来の最先端手法を著しく上回っている。
• 10 FPIでは、個々のマイクロカルシフィケーションのTPRが80%に達する一方、現在の最先端手法ではわずか10%にとどまっている。
• FROCおよびケースベースのROC曲線により、クラスタ検出においても競争力ある性能を維持していることが示され、ベースライン手法の公表済み結果と一致している。
• 可視化結果は、通常のマンモグラムにおいても堅牢な検出を示し、挑戦的なケースにおいて個々およびクラスタ状のマイクロカルシフィケーションを正確に局在化できることを示している。
• 標準的なパイプラインでしばしば保持される真の陽性クラスタ内の誤検出を効果的に低減できており、診断の信頼性が向上している。