[論文レビュー] Comparative Analysis of Deep Learning Architectures for Breast Cancer Diagnosis Using the BreaKHis Dataset

İrem Sayın, Muhammed Ali Soydaş+5 more|arXiv (Cornell University)|Sep 2, 2023

AI in cancer detection被引用数 4

ひとこと要約

本研究では、BreaKHisデータセットを用いて、ヒストパスロジカル画像からの乳がん分類を目的とした、VGG、ResNet、Xception、Inception、InceptionResNetの5つのディーブラーニングアーキテクチャを評価した。Xceptionモデルが89%の精度と0.90のF1スコアを達成し、最高のパフォーマンスを示し、深層学習が乳がんの診断精度を向上させることの有効性を示した。

ABSTRACT

Cancer is an extremely difficult and dangerous health problem because it manifests in so many different ways and affects so many different organs and tissues. The primary goal of this research was to evaluate deep learning models' ability to correctly identify breast cancer cases using the BreakHis dataset. The BreakHis dataset covers a wide range of breast cancer subtypes through its huge collection of histopathological pictures. In this study, we use and compare the performance of five well-known deep learning models for cancer classification: VGG, ResNet, Xception, Inception, and InceptionResNet. The results placed the Xception model at the top, with an F1 score of 0.9 and an accuracy of 89%. At the same time, the Inception and InceptionResNet models both hit accuracy of 87% . However, the F1 score for the Inception model was 87, while that for the InceptionResNet model was 86. These results demonstrate the importance of deep learning methods in making correct breast cancer diagnoses. This highlights the potential to provide improved diagnostic services to patients. The findings of this study not only improve current methods of cancer diagnosis, but also make significant contributions to the creation of new and improved cancer treatment strategies. In a nutshell, the results of this study represent a major advancement in the direction of achieving these vital healthcare goals.

研究の動機と目的

• ヒストパスロジカル画像からの乳がん分類における、複数のディーブラーニングアーキテクチャのパフォーマンスを評価すること。
• BreaKHisデータセットを用いた乳がん診断において、最も効果的なディーブラーニングモデルを特定すること。
• 病理学におけるより正確で信頼性の高いAI支援診断ツールの開発に貢献すること。
• モデルアーキテクチャが、精度やF1スコアなどの分類指標に与える影響を評価すること。

提案手法

• VGG、ResNet、Xception、Inception、InceptionResNetの5つの事前学習済みディーブラーニングモデルを、BreaKHisデータセット上で微調整した。
• BreaKHisデータセットは、乳がん組織のウェルスライド画像を多数含むものであり、学習および評価に使用された。
• モデルのパフォーマンスは、標準的な分類指標（精度とF1スコア）を用いて評価された。
• トランスファー学習が適用され、ImageNetでの事前学習済み重みを活用して、医療画像分類タスクにおける一般化性能を向上させた。
• ハイパーパramータチューニングおよびデータオーグメンテーション技術を用いて、モデルのロバストネスを向上させ、過学習を防止した。
• すべてのモデルは、公平な比較を保証するため、標準化された交差検証プロトコルを用いて訓練および検証された。

実験結果

リサーチクエスチョン

• RQ1 BreaKHisデータセットを用いたヒストパスロジカル画像からの乳がん分類において、どのディーブラーニングアーキテクチャが最も高い精度とF1スコアを達成するか？
• RQ2 VGG、ResNet、Xception、Inception、InceptionResNetのパフォーマンス指標は、同じ診断タスクにおいてどのように比較されるか？
• RQ3 モデルアーキテクチャが、深層学習を用いた乳がん分類における診断パフォーマンスに及ぼす影響はどの程度か？
• RQ4 事前学習済みモデルを用いたトランスファー学習は、限られた医療画像データセットにおいて分類パフォーマンスを顕著に向上させることができるか？

主な発見

• Xceptionモデルが、0.90のF1スコアと89%の精度を達成し、他のすべてのモデルを上回った。
• Inceptionモデルは87%の精度と0.87のF1スコアを達成し、パフォーマンスで2番目に高い順位を記録した。
• InceptionResNetモデルは87%の精度を達成したが、やや低いF1スコア0.86を示し、再現率と適合率のトレードオフが見られた。
• ResNetおよびVGGモデルは、Xception、Inception、InceptionResNetに比べて低いパフォーマンスを示したが、具体的な指標は報告されていなかった。
• 結果から、アーキテクチャ設計が、ディープラーニングベースの乳がん分類における診断パフォーマンスに顕著な影響を与えることが確認された。
• 本研究は、特にXceptionを含むディープラーニングモデルが、臨床現場における正確で信頼性の高い乳がん診断を支援する強力な可能性を示した。