[論文レビュー] C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification

Hosein Barzekar, Zeyun Yu|arXiv (Cornell University)|Oct 30, 2020

AI in cancer detection参考文献 51被引用数 4

ひとこと要約

本稿では、複数のネットワーク（Outer、Middle、Inner）を連結することで、バイオメディカル画像分類を向上させる、C-Netと呼ばれる新しい深層畳み込みニューラルネットワークを提案する。OuterおよびMiddle段階で6つの特徴抽出ネットワークを用い、それらの出力をInner分類器に供給することで、C-NetはBreakHisデータセットで平均99.34%の正確さと99.52%のF1スコアを達成し、Osteosarcomaデータセットでは100%の正確さと誤分類ゼロを達成した。これらの結果は、すべての指標で先行モデルを上回った。

ABSTRACT

Cancers are the leading cause of death in many countries. Early diagnosis plays a crucial role in having proper treatment for this debilitating disease. The automated classification of the type of cancer is a challenging task since pathologists must examine a huge number of histopathological images to detect infinitesimal abnormalities. In this study, we propose a novel convolutional neural network (CNN) architecture composed of a Concatenation of multiple Networks, called C-Net, to classify biomedical images. The model incorporates multiple CNNs including Outer, Middle, and Inner. The first two parts of the architecture contain six networks that serve as feature extractors to feed into the Inner network to classify the images in terms of malignancy and benignancy. The C-Net is applied for histopathological image classification on two public datasets, including BreakHis and Osteosarcoma. To evaluate the performance, the model is tested using several evaluation metrics for its reliability. The C-Net model outperforms all other models on the individual metrics for both datasets and achieves zero misclassification. This approach has the potential to be extended to additional classification tasks, as experimental results demonstrate utilizing extensive evaluation metrics.

研究の動機と目的

• がん診断におけるヒストパスロジカル画像の正確で信頼性のある自動分類の課題に対処すること。
• 画像の異質性、染色のばらつき、低コントラストまたは複雑な組織構造における特徴抽出に苦労する既存のCNNアーキテクチャの限界を克服すること。
• 多様なデータセット、倍率、疾患タイプにわたって良好に一般化する強力なディープラーニングモデルを開発すること。
• 正確さ以外の包括的な指標（F1スコア、MCC、正確さ、再現率、特異度）を用いてモデルを評価すること。
• 連結されたマルチネットワークアーキテクチャが、医療画像における特徴抽出と分類の信頼性を向上させる可能性を示すこと。

提案手法

• C-Netは、3つの主要な構成要素（Outer、Middle、Innerネットワーク）から成る階層的アーキテクチャを採用しており、OuterおよびMiddleネットワークは特徴抽出器として機能する。
• OuterおよびMiddleネットワークはそれぞれ6つの並列なNetworks-in-Network（NIN）モジュールを有し、入力されたヒストパスロジカル画像からのマルチスケール・マルチレベルの特徴抽出を可能にする。
• OuterおよびMiddleネットワークの特徴量は連結され、それらがInnerネットワークに供給され、最終的なバイナリ分類（良性と悪性腫瘍の区別）が実行される。
• モデルは畳み込み層、バッチ正規化、ReLU活性化関数、グローバル平均プーリングといった標準的なディープラーニングコンponentsを用い、トレーニングには交差エントロピー損失を使用する。
• アーキテクチャは、2つの公開データセット（BreakHis：40X〜400X倍率の7,909枚の乳がん画像、Osteosarcoma：1,144枚の高解像度1024×1024画像）上でエンドツーエンドでトレーニングされる。
• 評価は、正確さ、F1スコア、マシューズ相関係数（MCC）、正確さ、再現率、特異度といった複数の指標を用いて実施され、信頼性と堅牢性を確保する。

実験結果

リサーチクエスチョン

• RQ1 標準的なディープCNNと比較して、連結されたマルチネットワークCNNアーキテクチャは、バイオメディカル画像解析における特徴表現と分類性能を向上させることができるか？
• RQ2 BreakHisデータセットにおける異なる倍率レベル（特に再現率とF1スコアの観点から）でC-Netはどのように性能を発揮するか？
• RQ3 C-Netは、BreakHisおよびOsteosarcomaデータセットの両方で、最先端のモデルと比較して誤分類率をどの程度低減するか？
• RQ4 複数の並列特徴抽出器（OuterおよびMiddleネットワーク）の使用は、多様なヒストパスロジカル画像条件における高い耐性と一般化性能をもたらすか？
• RQ5 提案されたアーキテクチャは、骨肉腫画像における生存腫瘍の検出という挑戦的なバイオメディカル分類タスクで、ほぼ完璧な性能を達成できるか？

主な発見

• C-Netは、BreakHisデータセットで平均99.34%の正確さを達成し、文献に報告された最高の平均正確さより1.71%高い。
• BreakHisでは、平均99.52%のF1スコアを達成し、前回の最高平均F1スコア97.67%を1.85ポイント上回った。
• BreakHisの40Xおよび400X倍率レベルでは、再現率が100%であったため、悪性腫瘍が見逃されたケースは一切なかった。
• Osteosarcomaデータセットでは、2つの分類カテゴリー（NCT vs VTおよびVT vs NT）で100%の正確さを達成し、全カテゴリーの平均正確さは98.25%であった。
• Osteosarcomaデータセットでは、99.18%の特異度を記録し、文献に報告された最高結果より5.35%高い。
• C-Netは、BreakHisの200X画像で99.23%のMCCを達成し、評価された全モデルの中で最高であった。また、全倍率レベルで合計8件の誤分類にとどまり、極めて信頼性の高い性能を示した。