[論文レビュー] Convolutional Neural Networks for Breast Cancer Screening: Transfer Learning with Exponential Decay

Hiba Chougrad, Hamid Zouaki+1 more|arXiv (Cornell University)|Nov 29, 2017

AI in cancer detection参考文献 5被引用数 27

ひとこと要約

本稿では、転移学習に基づくCNNモデルを提案し、Inception-v3を用い、微調整の際の指数的減衰学習率を採用することで、乳がんスクリーニングの正確性を向上させた。600例の小規模でバランスの取れたマムモグラム病変データセット（良性300例、悪性300例）を用いて層別に学習率を減衰させる微調整を実施した結果、97.50%の正確性とAUC 0.96を達成し、先行研究および人間水準の性能を上回った。

ABSTRACT

In this paper, we propose a Computer Assisted Diagnosis (CAD) system based on a deep Convolutional Neural Network (CNN) model, to build an end-to-end learning process that classifies breast mass lesions. We investigate the impact that has transfer learning when large data is scarce, and explore the proper way to fine-tune the layers to learn features that are more specific to the new data. The proposed approach showed better performance compared to other proposals that classified the same dataset.

研究の動機と目的

• 限られた医療データがある中で、深層学習を用いてマンモグラムにおける乳がん診断の正確性を向上させること。
• 限られたデータ環境下における医療画像分類の転移学習の有効性を調査すること。
• データが少なくかつ不均衡な状況下で、深層CNNの最適な微調整戦略を特定すること。
• 層別学習率の減衰が、乳がん病変分類におけるモデルの汎化性能と性能に与える影響を評価すること。

提案手法

• BCDR-F03データセットのうち、600例（良性300例、悪性300例）のバランスの取れたマムモグラム病変サブセットに対して、事前学習済みInception-v3モデルを微調整した。
• 画像Netの入力サイズに合わせるため、関心領域（ROI）を299×299ピクセルに切り出し、グローバルコントラスト正規化を適用した。
• ランダムシフト、回転（最大40°）、水平反転を用いたデータ拡張により、モデルの耐性を向上させた。
• 元の全結合層およびソフトマックス層を、2つのドロップアウト率p=0.5の全結合層を含むカスタム分類器ヘッドに置き換えた。
• 層ごとの指数的減衰学習率スケジュールを実装：$ t_l = t_0 \cdot \exp(-\lambda \cdot l) $、$ \lambda = -3 $ として、上位層から下位層へ徐々に学習率を低下させた。
• モーメンタム（0.9）を用いたSGDで訓練し、検証損失をモニタリングして15エポックの早期停止を実施した。

実験結果

リサーチクエスチョン

• RQ1 大規模データセットが利用できない状況下でも、転移学習が乳がんスクリーニングに有効であるか？
• RQ2 微調整戦略の選択、特に解放する層の数が、小規模な医療データセットにおけるモデル性能に与える影響は？
• RQ3 層ごとに指数的減衰する学習率を用いることで、微調整されたCNNの汎化性能が向上し、過学習が軽減されるか？
• RQ4 転移学習における特徴再利用とタスク固有の適応の最適なバランスは何か？

主な発見

• 提案されたInception-v3-FTEDモデルは、標準偏差±1.26%を伴い、同じデータセットで他の手法を著しく上回る97.50%の正確性を達成した。
• 最後の2つの畳み込みブロックを微調整した（Inceptionv3-2FT）場合、96.67%の最高正確性を記録したが、さらに微調整を進めるほど性能が低下した。
• 層別に指数的減衰する学習率を適用した（Inceptionv3-FTED）ことで、均一な微調整に比べ、収束性と汎化性能が向上した。
• AUCは0.96を達成し、先行研究で報告された人間水準の性能（AUC ~0.90）を上回った。
• ImageNetの事前学習重みを用いた転移学習は、ランダム初期化に比べ、学習効率と正確性の両面で顕著に向上した（正確性75.83%）。
• データ拡張、ドロップアウト、および層別学習率スケジュールの組み合わせにより、過学習に対してモデルが頑健であることが示された。