[論文レビュー] Breast Cancer Image Classification Method Based on Deep Transfer Learning

Weimin Wang, Yufeng Li+3 more|arXiv (Cornell University)|Apr 14, 2024

AI in cancer detection被引用数 9

ひとこと要約

本論文は、DenseNetをベースとした乳がん画像分類器を、Squeeze-and-Excitationアテンションモジュールと多段階転移学習で強化し、BreakHisデータにおけるベースラインDenseNet系よりも精度を向上させている。

ABSTRACT

To address the issues of limited samples, time-consuming feature design, and low accuracy in detection and classification of breast cancer pathological images, a breast cancer image classification model algorithm combining deep learning and transfer learning is proposed. This algorithm is based on the DenseNet structure of deep neural networks, and constructs a network model by introducing attention mechanisms, and trains the enhanced dataset using multi-level transfer learning. Experimental results demonstrate that the algorithm achieves an efficiency of over 84.0\% in the test set, with a significantly improved classification accuracy compared to previous models, making it applicable to medical breast cancer detection tasks.

研究の動機と目的

• 限られたラベル付き乳がん病理データと従来手法における特徴量設計の負荷に対処する。
• 転移学習を活用して分類精度を向上させる深層学習モデルを開発する。
• DenseNet内の特徴統合を強化するアテンション機構を統合する。
• BreakHisの倍率ごとの性能を評価し、ベースラインネットワークと比較する。

提案手法

• DenseNetをベースアーキテクチャとして採用し、Denseブロックとトランジション層へ squeeze-and-excitation (SE) アテンションモジュールを組み込む。
• 3段階の転移学習戦略を適用：ImageNetで事前学習、LC2500肺がんデータセットでファインチューニング、次にBreakHis乳がん画像でファインチューニング。
• BreakHis画像をカラー正規化で前処理し、回転・反転でデータを増やしてデータセット規模を拡大。
• 7:1:2 の学習/検証/テスト分割でモデルを訓練・評価し、患者レベル・画像レベルの精度指標を報告。
• 3つのモデル（DenseNet、DenseNet+SE、提案する転移学習ベースのDenseNet+SEモデル）を、倍率40×、100×、200×、400×で比較する。

実験結果

リサーチクエスチョン

• RQ1 DenseNetにSEアテンションを統合することで、ベースのDenseNetより乳がん組織病理画像分類の精度は向上するか。
• RQ2 深層転移学習パイプライン（ImageNet事前学習、LC2500ファインチューニング、BreakHisファインチューニング）が分類性能に与える影響は何か。
• RQ3 提案手法はBreakHisの倍率（40×、100×、200×、400×）において、患者レベル・画像レベルの精度の観点でどのように性能を示すか。

主な発見

BreakHis データセット	40×	100×	200×	400×
DenseNet (P_arp)	73.9	75.0	77.6	78.0
DenseNet+SE (P_arp)	78.0	78.1	78.5	78.7
Ours (P_arp)	80.1	84.3	81.2	82.4
DenseNet (P_img)	72.5	77.5	77.2	77.5
DenseNet+SE (P_img)	72.5	75.6	74.9	80.3
Ours (P_img)	78.4	79.2	79.7	84.0

• 提案手法はBreakHisの倍率において、DenseNetおよびDenseNet+SEをいくつかの指標で上回る。
• P_arp（患者レベルの精度）について、Ourは40×で80.1、100×で84.3、200×で81.2、400×で82.4を達成。
• P_img（画像レベルの精度）について、Ourは40×で78.4、100×で79.2、200×で79.7、400×で84.0を達成。
• DenseNet+SEは複数の設定でDenseNetを上回るが、提案手法は一般に報告された結果で最高の精度を示す。
• 提案手法ではモデルサイズとパラメータ数が適度に増加する一方、収束時間はDenseNet+SEに比べて短縮され、転移学習を用いたファインチューニングが効率的であることを示唆する。