[論文レビュー] Breast Cancer Detection Using Convolutional Neural Networks

Simon Hadush, Yaecob Girmay+2 more|arXiv (Cornell University)|Mar 17, 2020

AI in cancer detection参考文献 21被引用数 16

ひとこと要約

本研究では、特徴抽出、領域提案、ROIプーリングを統合した、Faster R-CNNに基づく畳み込みニューラルネットワーク（CNN）を提案し、マンモグラムにおける乳腺マスの自動検出および分類を実現した。本モデルは、エチオピアの病院から収集したローカルデータセット上で、91.86%の検出精度、94.67%の感受性、92.2%のAUC-ROCを達成し、VGGベースのFaster R-CNNベースラインを著しく上回った。

ABSTRACT

Breast cancer is prevalent in Ethiopia that accounts 34% among women cancer patients. The diagnosis technique in Ethiopia is manual which was proven to be tedious, subjective, and challenging. Deep learning techniques are revolutionizing the field of medical image analysis and hence in this study, we proposed Convolutional Neural Networks (CNNs) for breast mass detection so as to minimize the overheads of manual analysis. CNN architecture is designed for the feature extraction stage and adapted both the Region Proposal Network (RPN) and Region of Interest (ROI) portion of the faster R-CNN for the automated breast mass abnormality detection. Our model detects mass region and classifies them into benign or malignant abnormality in mammogram(MG) images at once. For the proposed model, MG images were collected from different hospitals, locally.The images were passed through different preprocessing stages such as gaussian filter, median filter, bilateral filters and extracted the region of the breast from the background of the MG image. The performance of the model on test dataset is found to be: detection accuracy 91.86%, sensitivity of 94.67% and AUC-ROC of 92.2%.

研究の動機と目的

• エチオピアにおける乳がん診断の高誤診率と長時間のレポート遅延を是正するため、手作業による解釈が10–30%の誤差率を生じさせている現状に対処すること。
• デジタルマンモグラムにおける乳腺マスの良性または悪性の分類を自動で行う深層学習システムの開発。
• 低資源環境での今後の研究を支援するため、エチオピアの病院から収集した公開可能なローカルデータセットの提供。
• 低所得国における主観的で時間がかかる手作業分析への依存を低減し、早期発見の精度を向上させること。

提案手法

• Faster R-CNNの標準的なVGGバックボーンを置き換えるために、特徴抽出用にカスタムされたCNNアーキテクチャを設計した。
• Faster R-CNNの領域提案ネットワーク（RPN）およびROIプーリング部は、乳腺マスのエンドツーエンドオブジェクト検出に適応させた。
• 画像前処理にはガウスフィルタ、メディアンフィルタ、バイラテラルフィルタを適用し、背景からの乳腺領域のセグメンテーションを実施した。
• 過学習と内部共変量シフトの低減のため、データオーグメンテーションおよびバッチ正規化を適用した。
• 放射線科医によるバウンディングボックスのアノテーション付き1588枚の画像データセットを用い、80%を訓練、10%を検証、10%をテストに分割してモデルを訓練および検証した。
• ベースネットワーク、RPN、ROIレイヤーのハイパーパrameterを最適化することで、検出および分類性能の向上を図った。

実験結果

リサーチクエスチョン

• RQ1 Faster R-CNNベースのCNNモデルは、低資源環境のエチオピアの医療機関におけるマンモグラムからの乳腺マスの検出および分類において、高い精度を達成できるか？
• RQ2 本モデルの性能は、VGGベースのFaster R-CNNベースラインと比較して、検出精度、感受性、AUC-ROCの観点でどのように異なるか？
• RQ3 病院間での画像撮影装置、照明、取得設定の違いが、モデルの汎化性能および分類信頼性にどの程度影響を及えるか？
• RQ4 IoU閾値が低い状況でも、本モデルは微小な乳腺マスの異常をどれほど正確に局在化できるか？
• RQ5 バッチ正規化およびドロップアウトレイヤーの統合により、限定的で多様性のあるデータセット上での過学習が軽減され、モデルの頑健性が向上するか？

主な発見

• 提案モデルはテストデータセットで91.86%の検出精度を達成し、VGGベースのFaster R-CNNベースライン（84.88%）を著しく上回った。
• 感受性（再現率）が94.67%に達し、悪性マスの正確な同定能力が優れていることが示された。
• 受信者操作特性曲線下の面積（AUC-ROC）は92.2%に達し、VGGベースのモデル（84.3%）と比較して優れた分類性能を示した。
• IoU閾値0.25で94.2%のIoUを達成し、微小なマス異常の局在化精度が非常に高いことが示された。
• 1588例のテストケースのうち、提案モデルでは14例のみが誤分類されたが、VGGベースラインでは26例が誤分類された。これにより、モデルの頑健性の向上が明確になった。
• バッチ正規化およびドロップアウトレイヤーの使用により、過学習と内部共変量シフトが効果的に抑制され、多様なデータ上での汎化性能の向上に寄与した。