[論文レビュー] Classifying Mammographic Breast Density by Residual Learning

Jingxu Xu, Cheng Li+4 more|arXiv (Cornell University)|Sep 21, 2018

Digital Radiography and Breast Imaging参考文献 1被引用数 9

ひとこと要約

本研究では、マンモグラムの乳腺密度をBI-RADSカテゴリに完全自動分類するための残差学習ベースの深層畳み込みニューラルネットワークを提案する。エンドツーエンド学習と高容量の特徴抽出を活用することで、4クラス分類で92.6%、2クラス分類で96.8%の精度を達成し、マルチビュー画像融合や手動前処理を必要とせずに、最先端の手法を顕著に上回った。

ABSTRACT

Mammographic breast density, a parameter used to describe the proportion of breast tissue fibrosis, is widely adopted as an evaluation characteristic of the likelihood of breast cancer incidence. In this study, we present a radiomics approach based on residual learning for the classification of mammographic breast densities. Our method possesses several encouraging properties such as being almost fully automatic, possessing big model capacity and flexibility. It can obtain outstanding classification results without the necessity of result compensation using mammographs taken from different views. The proposed method was instantiated with the INbreast dataset and classification accuracies of 92.6% and 96.8% were obtained for the four BI-RADS (Breast Imaging and Reporting Data System) category task and the two BI-RADS category task,respectively. The superior performances achieved compared to the existing state-of-the-art methods along with its encouraging properties indicate that our method has a great potential to be applied as a computer-aided diagnosis tool.

研究の動機と目的

• 深層学習を用いた自動的で高精度なマンモグラム乳腺密度分類手法の開発。
• 手動による特徴工学やセグメンテーションに依存する伝統的なラジオミクス手法の制限を克服すること。
• 残差ネットワークの高モデル容量を活用することで、マルチビュー画像融合の必要性を排除すること。
• 乳腺密度評価におけるコンピュータ支援診断のための柔軟で移植可能な深層学習ベースラインの構築。
• マンモグラムの事前セグメンテーションや広範な前処理を必要としないエンドツーエンド学習の実現。

提案手法

• 全マンモグラム画像から階層的で高レベルの特徴を自動抽出するために、残差畳み込みニューラルネットワーク（ResNet）が用いられる。
• 手動による乳房セグメンテーションや手作業による特徴工学を一切行わず、生のマンモグラム上でエンドツーエンドでモデルを学習する。
• 残差学習フレームワークにより、消失勾配問題を緩和し、深層ネットワークの学習が可能になる。
• モデルは全フィールドマンモグラム画像を直接処理し、画像全体の空間的および強度情報が保持される。
• モデルの性能は、標準的なBI-RADS 4クラスおよび2クラス分類タスクを用いてINbreastデータセットで評価される。
• 異なる画像システムやデータセットへのドメイン適応のためのファインチューニングが可能である。

実験結果

リサーチクエスチョン

• RQ1 残差学習ベースの深層学習モデルは、従来のラジオミクス手法や浅いCNNと比較して、優れた乳腺密度分類精度を達成できるか？
• RQ2 エンドツーエンドの深層学習アプローチは、乳腺密度分類において、手動による画像前処理やマルチビュー融合の必要性を排除できるか？
• RQ3 ファインチューニングにより、1つの深層モデルが異なる画像ドメインに一般化可能であり、再訓練の必要性を低減できるか？
• RQ4 特にBI-RADS IVのような困難なカテゴリにおいて、高モデル容量が分類性能をどの程度向上させるか？
• RQ5 同じベンチマークデータセットを用いて、提案手法は既存の最先端手法と比較して、精度と頑健性の面で優れているか？

主な発見

• 提案手法は、INbreastデータセットにおいて4クラスBI-RADS分類で92.6%の精度を達成し、従来の最先端手法を顕著に上回った。
• 2クラスBI-RADSタスクでは96.8%の精度に達し、密度あり vs 密度なしという臨床的に最も重要な区別において優れた性能を示した。
• 全BI-RADSカテゴリにおいて高い精度を達成し、BI-RADS Iでは96.0%、BI-RADS IVでは82.6%の精度を示した。これは、特に困難なクラスでも頑健であることを示している。
• 標準的な8層CNN（78.95%の精度）および高スルーレットで得られる視覚的表現よりも優れた性能を示し、残差学習の利点を確認した。
• マルチビュー画像融合を一切行わずして性能を達成したため、高モデル容量がビュー補正の必要性を代替できることを示した。
• ファインチューニングにより容易に拡張可能であり、最小限のデータと学習時間で新しい画像システムへの適応が可能である。