[論文レビュー] Breast Cancer Classification from Histopathological Images with Inception Recurrent Residual Convolutional Neural Network

Md Zahangir Alom, Chris Yakopcic+2 more|arXiv (Cornell University)|Nov 10, 2018

AI in cancer detection参考文献 15被引用数 4

ひとこと要約

本稿では、ヒストパスロジー画像からの乳がん分類のためのInception再帰的残差畳み込みニューラルネットワーク（IRRCNN）を提案する。Inception-v4、ResNet、および再帰的CNNの要素を統合することで、特徴抽出の向上と分類精度の向上を図っている。モデルはBreakHisおよび2015年乳がん分類チャレンジデータセットで最先端の性能を達成し、感度、AUC、ROC面積、グローバル精度の面で既存手法を上回った。

ABSTRACT

The Deep Convolutional Neural Network (DCNN) is one of the most powerful and successful deep learning approaches. DCNNs have already provided superior performance in different modalities of medical imaging including breast cancer classification, segmentation, and detection. Breast cancer is one of the most common and dangerous cancers impacting women worldwide. In this paper, we have proposed a method for breast cancer classification with the Inception Recurrent Residual Convolutional Neural Network (IRRCNN) model. The IRRCNN is a powerful DCNN model that combines the strength of the Inception Network (Inception-v4), the Residual Network (ResNet), and the Recurrent Convolutional Neural Network (RCNN). The IRRCNN shows superior performance against equivalent Inception Networks, Residual Networks, and RCNNs for object recognition tasks. In this paper, the IRRCNN approach is applied for breast cancer classification on two publicly available datasets including BreakHis and Breast Cancer Classification Challenge 2015. The experimental results are compared against the existing machine learning and deep learning-based approaches with respect to image-based, patch-based, image-level, and patient-level classification. The IRRCNN model provides superior classification performance in terms of sensitivity, Area Under the Curve (AUC), the ROC curve, and global accuracy compared to existing approaches for both datasets.

研究の動機と目的

• 深層学習を用いてヒストパスロジー画像からの乳がん分類精度を向上させること。
• Inception、リーマンス、および再帰的CNNアーキテクチャの長所を統合することで、既存モデルの限界を克服すること。
• 提案されたIRRCNNモデルの画像レベルおよび患者レベルの分類タスクにおける性能を評価すること。
• 複数の評価指標を用いて、IRRCNNの性能を最先端の機械学習および深層学習手法と比較すること。
• 公開データセットにおいて感度、AUC、グローバル精度の面で優れた性能を示すことを実証すること。

提案手法

• IRRCNNモデルは、マルチスケールの特徴抽出と計算効率を高めるためにInception-v4アーキテクチャを統合している。
• 勾配消失問題の緩和と訓練深度の向上を図るために、ResNetからの残差接続を組み込んでいる。
• 空間的依存関係を特徴マップ全体でモデル化するために再帰的畳み込み層を導入し、文脈的理解を向上させている。
• モデルはヒストパスロジー全スライド画像およびパッチレベルの表現上でエンドツーエンドに訓練されている。
• 訓練には確率的勾配降下法と交差エントロピー損失関数を用い、一般化性能の向上のためデータオーグメンテーション技術を適用している。
• 複数のパッチからの予測を集約することで、画像レベルおよび患者レベルの分類を両方サポートしている。

実験結果

リサーチクエスチョン

• RQ1 Inception、リーマンス、および再帰的コンponentsを統合したハイブリッド深層学習アーキテクチャは、ヒストパスロジー画像からの乳がん分類精度を向上させることができるか？
• RQ2 IRRCNNモデルは、単独のInception、ResNet、およびRCNNモデルと比較して、感度およびAUCの面で優れているか？
• RQ3 再帰的接続の統合は、ヒストパスロジー画像分類における特徴表現を向上させるか？
• RQ4 IRRCNNの性能は、ベンチマークデータセット上で画像レベルおよび患者レベルの分類タスクの両方で優れているか？
• RQ5 提案されたモデルは、BreakHisや2015年乳がん分類チャレンジのような多様なヒストパスロジー画像データセットに効果的に一般化できるか？

主な発見

• IRRCNNモデルは、既存の深層学習および機械学習手法と比較して、BreakHisデータセットで最高のグローバル精度を達成した。
• 2015年乳がん分類チャレンジデータセットでは、IRRCNNが優れた感度とAUC値を示し、ベースラインモデルを上回った。
• BreakHisデータセットではAUCが0.98に達し、良性と悪性のケースを優れた精度で区別できることを示した。
• 両データセットにおいてROC曲線の性能が一貫して向上し、モデルの頑健性を確認した。
• 再帰的層の統合により、特に組織パターンにおける長距離の空間的依存関係を捉える能力が向上し、より良い特徴表現が達成された。
• 画像レベルおよび患者レベルの両方の分類タスクで最先端の性能を達成したため、臨床的意義が高まった。