[論文レビュー] Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks

Daniel Lévy, Arzav Jain|arXiv (Cornell University)|Dec 2, 2016

AI in cancer detection参考文献 20被引用数 167

ひとこと要約

本論文は、前処理済みの乳腺腫瘤を乳房X線撮影（マンモグラム）で良性か悪性かに分類するため、エンドツーエンドのCNNを訓練し、転移学習・文脈拡張・データ拡張を用いてDDSMにおいて最先端の結果を達成し、解釈可能なサリエンシーマップを提供する。

ABSTRACT

Mammography is the most widely used method to screen breast cancer. Because of its mostly manual nature, variability in mass appearance, and low signal-to-noise ratio, a significant number of breast masses are missed or misdiagnosed. In this work, we present how Convolutional Neural Networks can be used to directly classify pre-segmented breast masses in mammograms as benign or malignant, using a combination of transfer learning, careful pre-processing and data augmentation to overcome limited training data. We achieve state-of-the-art results on the DDSM dataset, surpassing human performance, and show interpretability of our model.

研究の動機と目的

• 自動化されたエンドツーエンドの乳腺腫瘤分類を推進し、見逃し診断と放射線科医のばらつきを軽減する。
• 小規模な医療データセットを克服するために、転移学習、腫瘤周囲の文脈、データ拡張を調査する。
• サリエンシーマップを介したモデルの解釈性を評価し、臨床導入を支援する。

提案手法

• 3つのCNNアーキテクチャ（ベースライン、AlexNet、GoogLeNet）を2クラス分類で評価する。
• ImageNetの事前学習済み重みを用い、乳腺撮影データに合わせた学習率スケジュールでファインチューニングする。
• 固定パディングと比例文脈パディングを比較し、データ拡張（回転、切り出し、鏡像）を適用する。
• 適切にAdamまたはSGDで訓練し、バッチサイズ64、入力224x224x3。
• 勾配ベースのサリエンシーマップを用いて、モデルの予測を解釈する視覚化を提供する。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドのCNNは、乳房画像から前処理済みの腫瘤を良性か悪性かに分類できるか。
• RQ2 転移学習、文脈サイズ、データ拡張はDDSMデータセットで性能を向上させるか。
• RQ3 サリエンシーマップは、乳腺腫瘤分類のモデル決定に対して解釈可能な洞察を提供できるか。

主な発見

Model	Accuracy	Precision	Recall	# Epochs
Baseline (Aug-Large Context)	0.604	0.587	0.703	35
AlexNet (Aug - Large Context)	0.890	0.908	0.868	30
GoogLeNet (Aug - Large Context)	0.929	0.924	0.934	30

• データ拡張と大きな文脈を用いたGoogLeNetが最高のテスト精度0.929（精度0.924、再現率0.934）を達成。
• ImageNetからの転移学習はベースラインモデルより大幅に性能を改善。
• 比例（腫瘤サイズの2倍）の文脈は固定パディング文脈を上回る。
• データ拡張は訓練を安定化させ、一般化を向上させる。
• 最良モデルの再現率0.934は、従来研究の放射線科医の再現率範囲を超える。
• サリエンシーマップは腫瘤の縁と周囲の文脈に焦点を合わせ、解釈性を提供する。