[論文レビュー] Deep Angular Embedding and Feature Correlation Attention for Breast MRI Cancer Analysis

Luyang Luo, Hao Chen+6 more|arXiv (Cornell University)|Jun 7, 2019

AI in cancer detection参考文献 15被引用数 6

ひとこと要約

本論文は、角空間における特徴の区別能を向上させるためにコサインマージンシグモイド損失（CMSL）を用い、弱い教師ありの病変局在化にCOrrelation Attention Map（COAM）を導入した深層学習フレームワークを提案する。10,290体のDCE-MRIボリュームからなる大規模データセットにおいて、分類タスクと局在化タスクの両方で最先端の手法を上回り、85.5%の正確性と0.902のAUCを達成した。

ABSTRACT

Accurate and automatic analysis of breast MRI plays an important role in early diagnosis and successful treatment planning for breast cancer. Due to the heterogeneity nature, accurate diagnosis of tumors remains a challenging task. In this paper, we propose to identify breast tumor in MRI by Cosine Margin Sigmoid Loss (CMSL) with deep learning (DL) and localize possible cancer lesion by COrrelation Attention Map (COAM) based on the learned features. The CMSL embeds tumor features onto a hypersphere and imposes a decision margin through cosine constraints. In this way, the DL model could learn more separable inter-class features and more compact intra-class features in the angular space. Furthermore, we utilize the correlations among feature vectors to generate attention maps that could accurately localize cancer candidates with only image-level label. We build the largest breast cancer dataset involving 10,290 DCE-MRI scan volumes for developing and evaluating the proposed methods. The model driven by CMSL achieved classification accuracy of 0.855 and AUC of 0.902 on the testing set, with sensitivity and specificity of 0.857 and 0.852, respectively, outperforming other competitive methods overall. In addition, the proposed COAM accomplished more accurate localization of the cancer center compared with other state-of-the-art weakly supervised localization method.

研究の動機と目的

• 病変の異質性が顕著な乳腺MRIにおいて、クラス間の曖昧な差異とクラス内変動の高さが正確な診断を困難にしているという課題に対処すること。
• 領域レベルのアノテーションに代えて画像レベルのラベルのみを用いる弱い教師ありの腫瘍病変局在化手法の開発。
• 特徴空間における角マージン制約を強制することで、クラス間分離性とクラス内凝集性を向上させ、腫瘍分類のための深層特徴学習を改善すること。
• 特徴相関に基づく新規なアテンションメカニズム（COAM）を提案し、従来のクラスアクティベーションマップ（CAM）に見られる領域オブインタレスト（RoI）シフト問題を克服すること。

提案手法

• クラス間の分離性とクラス内凝集性を向上させるために、深層特徴をハイパースフィア上に埋め込み、コサインベースの意思決定マージンを課すことで、Cosine Margin Sigmoid Loss（CMSL）を採用する。
• CMSLを、角マージンを含む修正されたシグモイド損失として定式化し、損失関数が特徴ベクトルと重みベクトルのなす角度のコサインに依存する。ハイパーパrameterとしてスケーリング係数sとマージンmを用いる。
• 深層特徴のグラム行列を用いて相関アテンションマップ（COAM）を構築し、チャネル間および空間的相関を捉えることで、ボックスアノテーションが不要な弱い教師あり局在化を実現する。
• 空間情報を保持するため、3D ResNet34をバックボーンネットワークとして採用し、グローバル平均プーリングと全結合層の代わりに1×1×1畳み込み層を適用した後、グローバル平均プーリングを実行する。
• 事前学習済みの3D ResNet34を用いた学習率の段階的減少と重み初期化を実施し、エンドツーエンドでモデルを訓練することで、分類とアテンションマップ生成の両方を最適化する。
• CMSLで最適化されたネットワークから得られた特徴を用いてグラム行列を計算し、これをもとにCOAMを生成する。局在化に際してはボクセル間隔を用いて距離尺度をスケーリングする。

実験結果

リサーチクエスチョン

• RQ1 角マージン損失を用いることで、特徴空間における角分離性を向上させることで、深層学習ベースの乳腺MRI腫瘍分類における特徴の区別能が向上するか？
• RQ2 提案されたCOrrelation Attention Map（COAM）は、従来のクラスアクティベーションマップ（CAM）と比較して、がん候補の弱い教師あり局在化においてより高い正確性を達成するか？
• RQ3 大規模なDCE-MRIデータセット（10,290ボリューム）を用いることで、乳腺がん分類のための深層学習モデルの一般化性能と性能がどの程度向上するか？
• RQ4 CMSLに基づく手法は、同じベンチマークにおいて、従来の損失関数（例：正規化されたシグモイド損失）と比較して、特異性、感度、AUCの観点で優れているか？
• RQ5 特徴相関に基づくアテンション（COAM）は、CAMベースの局在化手法で見られるRoIシフト問題を軽減できるか？

主な発見

• CMSLベースのモデルは分類正確性85.5%を達成し、感度85.7%、特異度85.2%を示し、本研究の全ベースライン手法を顕著に上回った。
• 提案されたCMSL手法はAUC 0.902を達成し、次に優れた手法（3D ResNet+NSL）の0.880を2%以上上回り、優れた区別能力を示した。
• COAM手法は放射線科医がアノテートした中心点からの平均距離が18.26 ± 13.65 mmであったのに対し、CAMは39.84 ± 8.82 mmであった。
• COAM手法はCAMと比較して局在化誤差を50%以上低減し、RoIシフト問題の緩和に有効であることが示された。
• 3D ResNet+CMSLモデルは、他の手法と比較して特異度が7.9ポイント以上高い結果を示し、良性と悪性の区別において優れたロバスト性を示した。
• 本研究は、角マージン損失と相関に基づくアテンションを組み合わせることで、画像レベルラベルのみを用いた弱い教師あり分類と局在化において、最先端の性能を達成できることを示した。