[論文レビュー] Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures

Brennon Maistry, Absalom E. Ezugwu|arXiv (Cornell University)|May 31, 2023

AI in cancer detection被引用数 5

ひとこと要約

本研究では、画像分類のための最先端の深層学習アーキテクチャ、特にビジョントランスフォーマー（ViT）と畳み込みニューラルネットワーク（CNN）を用いて、組織病理学的画像における乳がん検出を評価した。データ拡張および前処理技術を用いることで、ViTは95.15%の最高精度を達成し、従来のCNNを上回った。これは、低リソース環境におけるコンピュータ支援診断の向上に向けた可能性を示している。

ABSTRACT

Breast cancer is a prevalent form of cancer among women, with over 1.5 million women being diagnosed each year. Unfortunately, the survival rates for breast cancer patients in certain third-world countries, like South Africa, are alarmingly low, with only 40% of diagnosed patients surviving beyond five years. The inadequate availability of resources, including qualified pathologists, delayed diagnoses, and ineffective therapy planning, contribute to this low survival rate. To address this pressing issue, medical specialists and researchers have turned to domain-specific AI approaches, specifically deep learning models, to develop end-to-end solutions that can be integrated into computer-aided diagnosis (CAD) systems. By improving the workflow of pathologists, these AI models have the potential to enhance the detection and diagnosis of breast cancer. This research focuses on evaluating the performance of various cutting-edge convolutional neural network (CNN) architectures in comparison to a relatively new model called the Vision Trans-former (ViT). The objective is to determine the superiority of these models in terms of their accuracy and effectiveness. The experimental results reveal that the ViT models outperform the other selected state-of-the-art CNN architectures, achieving an impressive accuracy rate of 95.15%. This study signifies a significant advancement in the field, as it explores the utilization of data augmentation and other relevant preprocessing techniques in conjunction with deep learning models for the detection and diagnosis of breast cancer using datasets of Breast Cancer Histopathological Image Classification.

研究の動機と目的

• 南アフリカを含む低リソース国における乳がんの生存率の低さに取り組むために、AIを活用して診断の正確性を向上させること。
• 組織病理学的画像からの乳がん検出において、ビジョントランスフォーマー（ViT）やCNNを含む最先端の深層学習モデルの性能を評価すること。
• データ拡張および前処理技術が、医療画像分類におけるモデル性能に与える影響を評価すること。
• ViTが、精度および効果性の観点から、既存のCNNアーキテクチャを上回るかを特定すること。
• 臨床ワークフローに統合可能な強固でエンドツーエンドのAIソリューションの開発に貢献すること。

提案手法

• 本研究では、ビジョントランスフォーマー（ViT）や高度なCNNを含む、複数の最先端の深層学習アーキテクチャを比較評価した。
• 標準化された乳がん組織病理学的画像データセットが使用され、正規化やリサイズなどの前処理が施された。
• モデルの汎化性能を向上させるとともに過学習を低減するために、データ拡張技術が実装された。
• 妥当な性能推定を保証するため、交差検証プロトコルを用いてモデルを訓練および検証した。
• 標準的な指標を用いて性能を評価し、精度を主なベンチマークとした。
• ビジョントランスフォーマー（ViT）は、画像パッチ内の長距離依存関係を捉えるために自己注意機構を活用して微調整された。

実験結果

リサーチクエスチョン

• RQ1 ビジョントランスフォーマー（ViT）は、組織病理学的画像の分類において、最先端のCNNアーキテクチャを上回る高い精度を達成するか？
• RQ2 データ拡張および前処理技術は、乳がん検出における深層学習モデルの性能にどのように影響するか？
• RQ3 低リソース医療環境で一般的に見られる限られた医療画像データセットにおいて、ViTはCNNよりも優れた汎化性能を示すか？
• RQ4 自己注意に基づくモデル（例：ViT）と畳み込みモデルの間で、組織サンプルからの乳がん検出において、それぞれの有効性に差はあるか？
• RQ5 エンドツーエンドの深層学習モデルは、診断の正確性をどの程度向上させ、病理医の臨床意思決定を支援できるか？

主な発見

• ビジョントランスフォーマー（ViT）は、評価されたすべてのモデルの中で最高の95.15%の精度を達成し、選定されたすべてのCNNアーキテクチャを上回った。
• データ拡張は、特に限られた数や不均衡なデータセットが一般的に見られる医療画像分野において、モデルの汎化性能を顕著に向上させた。
• ViTは、自己注意機構を用いて、組織病理学的画像内の複雑な空間パターンを優れた性能で捉えることができた。
• 本研究では、ViTが、組織病理学的画像における乳がん検出において、従来のCNNの優れた代替手段であることが確認された。
• 前処理およびデータ拡張技術の統合は、このタスクにおける深層学習モデルの強度と信頼性を顕著に向上させた。
• 結果から、ViTベースのモデルは、特に低リソース環境において、病理医を支援するコンピュータ支援診断（CAD）システムに効果的に導入可能であると考えられる。