[論文レビュー] Automatic Mass Detection in Breast Using Deep Convolutional Neural Network and SVM Classifier

Md. Kamrul Hasan, Tajwar Abrar Aleef|arXiv (Cornell University)|Jul 9, 2019

AI in cancer detection参考文献 25被引用数 5

ひとこと要約

本稿では、転移学習とVGG19、SVM分類器を組み合わせたディーブラーニングパイプラインを提案し、マンモグラムにおける自動的乳腺マス検出を実現する。454×454ピクセルのパッチから高レベル特徴を抽出するために事前学習済みVGG19を用い、アンサンブル決定木を用いて特徴選択を実施し、C-SVMおよびν-SVM分類器の最適化をグリッドサーチにより行い、AUCを最大化する。本手法はINbreastデータセット上で0.994 ± 0.003の高い安定性を示し、計算コストを最小限に抑えつつCPU上で高い精度と一般化性能を達成した。

ABSTRACT

Mammography is the most widely used gold standard for screening breast cancer, where, mass detection is considered as the prominent step. Detecting mass in the breast is, however, an arduous problem as they usually have large variations between them in terms of shape, size, boundary, and texture. In this literature, the process of mass detection is automated with the use of transfer learning techniques of Deep Convolutional Neural Networks (DCNN). Pre-trained VGG19 network is used to extract features which are then followed by bagged decision tree for features selection and then a Support Vector Machine (SVM) classifier is trained and used for classifying between the mass and non-mass. Area Under ROC Curve (AUC) is chosen as the performance metric, which is then maximized during classifier selection and hyper-parameter tuning. The robustness of the two selected type of classifiers, C-SVM, and \u{psion}-SVM, are investigated with extensive experiments before selecting the best performing classifier. All experiments in this paper were conducted using the INbreast dataset. The best AUC obtained from the experimental results is 0.994 +/- 0.003 i.e. [0.991, 0.997]. Our results conclude that by using pre-trained VGG19 network, high-level distinctive features can be extracted from Mammograms which when used with the proposed SVM classifier is able to robustly distinguish between the mass and non-mass present in breast.

研究の動機と目的

• マンモグラムにおける乳腺マスの形態、サイズ、テクスチャ、境界の高さの変動に起因する課題に対処すること。
• 深層特徴と教師あり分類を用いて、マス領域と非マス領域を区別する、強固で計算効率の良い手法を開発すること。
• C-SVMおよびν-SVMのハイパーパramータ（Cおよびν）をグリッドサーチにより最適化し、AUCを最大化することで、高い一般化性能を確保すること。
• 複数の交差検証foldおよびデータ拡張を用いた実験を通じて、手法の強固さを検証すること。
• 転移学習と特徴選択を組み合わせることで、小さな学習データセットでも高性能な分類が達成可能であることを示すこと。

提案手法

• 454×454のマンモグラムパッチから深層畳み込み特徴を抽出するために、事前学習済みVGG19ネットワークを用いた転移学習を適用する。
• 次元削減と過学習の緩和を目的として、アンサンブル決定木を用いて最も判別能の高い特徴を選択する。
• サポートベクターマシン（C-SVMおよびν-SVM）を、受信者操作特性曲線（ROC）下の面積（AUC）を最大化するように、広範なグリッドサーチを用いて訓練および最適化する。
• 各分類器タイプごとに、Cおよびνのハイパーパramータを独立して最適化し、最適な性能を達成する。
• 強固性の評価に5-fold交差検証を用い、後続の実験ではデータ拡張（反転および回転）を適用する。
• 主な評価指標としてAUCを用い、各fold間での標準偏差を併記する。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みVGG19特徴は、マンモグラムにおけるマス領域と非マス領域を効果的に区別できるか？
• RQ2 アンサンブル決定木による特徴選択とSVMの組み合わせは、分類の強度およびAUCを向上させるか？
• RQ3 ハイパーパramータを最適にチューニングした場合、C-SVMとν-SVMのどちらがより優れた性能を示すか？
• RQ4 本手法は、異なる交差検証foldおよびデータ拡張条件下でどのように性能を示すか？
• RQ5 転移学習と丁寧なハイパーパramータ最適化を組み合わせることで、小さな学習データセットでも高いAUCを達成できるか？

主な発見

• 提案されたパイプラインは、全テストfoldにおいて平均AUCが0.994 ± 0.003を達成し、特に実験3で最高の性能を示した。
• C=100およびν=0.005で最適化された場合、C-SVMおよびν-SVMの両方とも同一のAUC値（0.994 ± 0.003）を達成し、一貫性のある性能を示した。
• 実験3は、454×454のパッチ、幾何的拡張、特徴選択を用いたもので、最高のAUCと最小の標準偏差を達成し、優れた強度を示した。
• 本手法はたった3時間18分の計算時間で実行可能であり、CPUハードウェア上でも効率的であることを示した。
• 実験4は、より大きな特徴ベクトル（25,088次元）とより多くのデータを用いたが、AUCはわずかに低下（0.988 ± 0.009）し、学習時間も長くなった（12時間）。これは、複雑さと性能のトレードオフを確認するものであった。
• 実験3の全foldにおけるROC曲線はほぼ同一の形状を示し、異なるデータ分割においても一貫性と強度が確認された。