[論文レビュー] Data Augmentation for Detection of Architectural Distortion in Digital Mammography using Deep Learning Approach

Arthur C. Costa, Helder C. R. Oliveira+4 more|arXiv (Cornell University)|Jul 6, 2018

AI in cancer detection参考文献 6被引用数 12

ひとこと要約

本研究では、デジタルマンモグラフィにおける構造的歪み（AD）を検出するための畳み込みニューラルネットワーク（CNN）を訓練するためのデータ拡張戦略を提案する。臨床的画像が300枚と限定されたにもかかわらず、データ拡張によりトレーニングサンプルを21,600に増やし、CNNが現実的で実用的なテストセットでAUC 0.74を達成した。これは、制限されたデータで深層学習を用いた早期がん検出の可能性を示している。

ABSTRACT

Early detection of breast cancer can increase treatment efficiency. Architectural Distortion (AD) is a very subtle contraction of the breast tissue and may represent the earliest sign of cancer. Since it is very likely to be unnoticed by radiologists, several approaches have been proposed over the years but none using deep learning techniques. To train a Convolutional Neural Network (CNN), which is a deep neural architecture, is necessary a huge amount of data. To overcome this problem, this paper proposes a data augmentation approach applied to clinical image dataset to properly train a CNN. Results using receiver operating characteristic analysis showed that with a very limited dataset we could train a CNN to detect AD in digital mammography with area under the curve (AUC = 0.74).

研究の動機と目的

• マンモグラフィにおける深層学習モデルのトレーニングに制限された臨床的データという課題に対処すること。
• 放射線科医が見逃しがちな、微細で早期の乳がんの兆候である構造的歪み（AD）の検出を改善すること。
• 小さな臨床的データセットを効果的に拡張し、CNNのトレーニングに役立てるデータ拡張戦略の開発と評価すること。
• 訓練されたCNNの性能を、現実的で臨床的に関連性のあるテストシナリオで評価すること。

提案手法

• 本研究では、200枚がDDSMデータセットに、残りの100枚が研究倫理委員会の承認を得て取得された300枚の臨床的マンモグラムから成るデータセットを用いた。
• 放射線科医がアノテートしたADの位置と正常組織に基づき、手動で領域の注目（ROIs）を切り出し、合計600のROIsが得られた。
• データ拡張として、縦・横の反転、90°、180°、270°の回転、およびガウスノイズ（分散0.02、0.04、0.06）を適用し、クラスのバランスを保ったまま、データセットを21,600サンプルに増強した。
• TensorFlowを用いてCNNを実装し、5×5フィルタ、マックスプーリング、4×4の全結合層を採用。zスコア正規化を施した70%-15%-15%のトレーニング・バリデーション・テスト分割で学習を実施した。
• テストセットとして9例の新規検査を用い、1例あたり約3,000のROIsを抽出し、中心座標に基づいてADまたは正常と分類した。

実験結果

リサーチクエスチョン

• RQ1 データ拡張は、マンモグラフィにおける構造的歪み検出のためのCNNトレーニングにおいて、限られた臨床的データを効果的に補完できるか？
• RQ2 拡張データで学習したCNNは、現実的で未確認のマンモグラム検査に、どれほど一般化できるか？
• RQ3 本手法の診断的性能は、現実的で実用的なテストシナリオにおいてAUCおよび正答率の観点からどの程度か？

主な発見

• CNNは9例の新規マンモグラム検査から成る現実的テストセットでAUC 0.74を達成し、限られたトレーニングデータにもかかわらず実用的な診断的ポテンシャルを示した。
• トレーニングおよびバリデーションの分割では、モデルは99.4%の正答率とAUC 0.99に達しており、強力な内部学習を示している。
• データ拡張戦略により、初期の600のROIsが21,600サンプルに拡張され、クラスのバランスを保ったまま効果的なCNNトレーニングが可能になった。
• 現実的テストセットにおけるモデルの性能（AUC=0.74、正答率=86.1%）は、早期乳がん検出における臨床的導入の可能性を裏付けている。