[論文レビュー] Improving Breast Cancer Detection using Symmetry Information with Deep Learning

Yeman Brhane Hagos, Albert Gubern Mérida+1 more|arXiv (Cornell University)|Aug 17, 2018

AI in cancer detection参考文献 11被引用数 7

ひとこと要約

本稿では、両側乳房対称性を活用してマンモグラムにおける腫瘍検出を向上させるマルチインプット畳み込みニューラルネットワーク（CNN）を提案する。左および右乳房のパッチペアを用いて訓練することで、モデルは対称性の違いを学習し、誤検出を低減する。検査レベルでのCPRは0.733（p=0.001）を達成し、候補レベルでのAUCに顕著な向上は見られなかったが、ベースラインモデルに比べて有意に性能が向上したことが示された。

ABSTRACT

Convolutional Neural Networks (CNN) have had a huge success in many areas of computer vision and medical image analysis. However, there is still an immense potential for performance improvement in mammogram breast cancer detection Computer-Aided Detection (CAD) systems by integrating all the information that the radiologist utilizes, such as symmetry and temporal data. In this work, we proposed a patch based multi-input CNN that learns symmetrical difference to detect breast masses. The network was trained on a large-scale dataset of 28294 mammogram images. The performance was compared to a baseline architecture without symmetry context using Area Under the ROC Curve (AUC) and Competition Performance Metric (CPM). At candidate level, AUC value of 0.933 with 95% confidence interval of [0.920, 0.954] was obtained when symmetry information is incorporated in comparison with baseline architecture which yielded AUC value of 0.929 with [0.919, 0.947] confidence interval. By incorporating symmetrical information, although there was no a significant candidate level performance again (p = 0.111), we have found a compelling result at exam level with CPM value of 0.733 (p = 0.001). We believe that including temporal data, and adding benign class to the dataset could improve the detection performance.

研究の動機と目的

• 放射線科医が示す対称性の情報を深層学習モデルに統合することで、マンモグラフィーにおけるコンピュータ支援検出（CAD）の性能を向上させること。
• 左および右乳房のパッチ間の対称性の違いを学習することで、誤検出の低減を図ること。
• 対称性に配慮した特徴量が、候補レベルおよび検査レベルの両方で検出性能を向上させるかどうかを評価すること。
• データ拡張および対側画像欠損の処理がモデルの頑健性に与える影響を調査すること。
• 今後の改善のため、時系列データの統合と良性病変の分離を検討すること。

提案手法

• 左および右乳房マンモグラムの対応する領域を比較するパッチベースの二入力CNNを設計した。
• 対称性は、主なパッチとその反対側乳房における正確な鏡像をペアとしてモデル化し、ネットワークが腫瘍を示す非対称性を学習できるようにした。
• データ拡張として、パッチをランダムに反転させ、対側画像が欠損している場合にはゼロ行列を代替として使用した。
• モデルは、7,196件の検査からなる28,294枚のマンモグラム画像の大規模データセットを用いて訓練した。トレーニング、バリデーション、テストの分割は患者単位で実施した。
• 性能評価には、候補レベルでのAUCと、画像および検査レベルでのコンペティションパフォーマンス指標（CPM）を用いた。
• 対称性の文脈を含まないベースラインモデルと比較することで、検出精度の向上と誤検出の低減のインクリメンタルな利点を評価した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルに両側乳房対称性を統合することで、マンモグラフィーにおける腫瘍検出性能を向上させることができるか？
• RQ2 対称性の文脈を含めることで、ベースラインCNNと比較して誤検出を有意に低減できるか？
• RQ3 データ拡張および対側画像欠損の処理が、モデルの一般化性能およびパフォーマンスに与える影響は何か？
• RQ4 対称性に基づく学習は、臨床的意思決定がなされる検査レベルでの検出性能を向上させるか？
• RQ5 今後の時系列データの統合と良性病変の区別により、さらなる検出精度の向上が可能か？

主な発見

• 対称性に配慮したモデルは、候補レベルでAUC 0.933（95%信頼区間：[0.919, 0.947]）を達成し、ベースラインのAUC 0.929よりわずかに高く、有意差は認められなかった（p=0.111）。
• 検査レベルでは、対称性モデルがCPM 0.733（95%信頼区間：[0.721, 0.823]）を達成し、ベースライン（CPM：0.682、p=0.001）を有意に上回った。
• データ拡張を適用したモデルはAUC 0.933を達成したのに対し、拡張なしでは0.910であった。これは、拡張により一般化性能が向上したことを示している。
• 対側パッチが欠損している場合、対称性モデルはAUC 0.866（95%信頼区間：[0.788, 0.930]）を達成し、不完全なデータに対しても頑健であることが示された。
• 可視化分析の結果、対称性統合により誤分類が是正された：ベースライン確率が0.2未満の悪性腫瘍は、0.7以上の確率で正しく分類された。また、誤検出の陰性パッチは、0.1未満の悪性度確率に再分類された。
• 本研究では、時系列データの統合と良性と正常の区別を組み込むことで、さらなる検出性能の向上が可能であると示唆された。