[論文レビュー] Globally-Aware Multiple Instance Classifier for Breast Cancer Screening

Yiqiu Shen, Nan Wu+6 more|arXiv (Cornell University)|Jun 7, 2019

AI in cancer detection参考文献 14被引用数 5

ひとこと要約

本稿では、高解像度マンモグラムからのパッチレベル特徴量とグローバルなサリエンシーマップを統合することで、放射線科医レベルの性能を達成する、全身に配備された複数インスタンス分類器GMICを提案する。画像レベルのラベルのみを用いて、解釈可能なピクセルレベルのサリエンシーマップを生成し、ResNetベースラインを上回る性能を示し、大規模なテストセットでAUC 0.876を達成。さらに、人間と機械のハイブリッドではAUC 0.883を達成した。

ABSTRACT

Deep learning models designed for visual classification tasks on natural images have become prevalent in medical image analysis. However, medical images differ from typical natural images in many ways, such as significantly higher resolutions and smaller regions of interest. Moreover, both the global structure and local details play important roles in medical image analysis tasks. To address these unique properties of medical images, we propose a neural network that is able to classify breast cancer lesions utilizing information from both a global saliency map and multiple local patches. The proposed model outperforms the ResNet-based baseline and achieves radiologist-level performance in the interpretation of screening mammography. Although our model is trained only with image-level labels, it is able to generate pixel-level saliency maps that provide localization of possible malignant findings.

研究の動機と目的

• 高解像度医療画像における小さな臨床的に関連する領域を分類する課題に対処すること。
• サリエンシーマップからのグローバルな文脈と複数の画像パッチからの詳細な局所的特徴を統合することで、分類性能を向上させること。
• ピクセルレベルのアノテーションを必要とせず、弱い教師あり局所化を可能にすること。
• 注目メカニズムを用いて疑わしい病変を強調することで、放射線科医にとって解釈可能なモデルを構築すること。
• 既存のディープラーニングベースラインを上回り、スクリーニングマンモグラフィーにおいて放射線科医レベルの診断精度に並ぶモデルを開発すること。

提案手法

• 高解像度マンモグラムのためのフル解像度特徴を保持するために、グローバル平均プーリングを含まないResNet-22バックボーンを用いる。
• 1×1畳み込みとシグモイド活性化関数を用いて、クラス固有のサリエンシーマップ（SM）を生成する局所化モジュール。
• サリエンシーマップからスコアが最も高いK個のパッチを選別し、さらなる分析のためのROI候補とする検出モジュール。
• アテンションメカニズムを用いてパッチレベル特徴を統合し、最終的な画像レベル予測を生成する複数インスタンス学習（MIL）フレームワーク。
• 最終予測は、局所化とMILコンポーネントの重み付き組み合わせであり、アテンションはエンドツーエンドで学習される。
• モデルはエンドツーエンドで訓練され、画像レベルのラベルのみを用いるため、弱い教師あり局所化が可能となる。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは画像レベルのラベルのみを用いて、乳がんスクリーニングで放射線科医レベルの性能を達成できるか？
• RQ2 グローバルなサリエンシーマップと局所的パッチレベル特徴を効果的に統合することで、高解像度医療画像の分類性能を向上させられるか？
• RQ3 注目ベースのパッチ選択の統合により、病変局所化における精度と解釈可能性が向上するか？
• RQ4 本モデルの性能は、実世界のスクリーニング状況において放射線科医と比較してどうなるか？
• RQ5 ボクシングボックスやセグメンテーションアノテーションを必要とせず、信頼性の高いピクセルレベルのサリエンシーマップを生成できるか？

主な発見

• アンサンブルGMICモデルはテストセットでAUC 0.876を達成し、比較読者研究において平均（0.778）および最高の個別放射線科医（0.860）を上回った。
• 人間と機械のハイブリッドモデルは、GMICと放射線科医の予測を平均化することで、AUC 0.883を達成し、人間と機械の相乗効果を示した。
• 悪性腫瘍の分類AUCは0.886、良性症例では0.780を記録し、悪性病変の局所化F1スコアは0.207であった。
• MILモジュール内のアテンション機構は不可欠であった。アテンションなしのモデル（例：GMIC-noattn）は性能が低く、情報量の多いパッチに注目する役割を果たしていることを確認した。
• 可視化結果から、サリエンシーマップとアテンションスコアが真の病変とよく一致したが、一部の大きな病変では最も情報量の多い部分にのみ注目する傾向があった。
• 局所化とMILコンポーネントの組み合わせ（GMIC-loc+mil）は、個々のコンポーネントを上回り、グローバルとローカル情報の相乗効果を示した。