[論文レビュー] Inception Architecture and Residual Connections in Classification of Breast Cancer Histology Images

Mohammad Ibrahim Sarker, Hyongsuk Kim+2 more|arXiv (Cornell University)|Dec 10, 2019

AI in cancer detection参考文献 17被引用数 4

ひとこと要約

この論文は、ICIAR-2018 チャレンジの乳がん組織像を分類するために、Inception v4アーキテクチャに残差接続を適用し、広範なデータ拡張とアンサンブル学習を用いる。4クラス分類タスクでは89%の精度を達成し、バイナリ分類（がん/非がん）タスクでは93.7%の精度を示し、50チーム中23位を獲得した。

ABSTRACT

This paper presents results of applying Inception v4 deep convolutional neural network to ICIAR-2018 Breast Cancer Classification Grand Challenge, part a. The Challenge task is to classify breast cancer biopsy results, presented in form of hematoxylin and eosin stained images. Breast cancer classification is of primary interest to the medical practitioners and thus binary classification of breast cancer images have been under investigation by many researchers, but multi-class categorization of histology breast images have been challenging due to the subtle differences among the categories. In this work extensive data augmentation is conducted to reduce overfitting and effectiveness of committee of several Inception v4 networks is studied. We report 89% accuracy on 4 class classification task and 93.7% on carcinoma/non-carcinoma two class classification task using our test set of 80 images.

研究の動機と目的

• 乳がん組織像におけるカテゴリ間の微細な形態的差異を示す多クラス分類の課題に対処すること。
• 過学習を低減するため、広範なデータ拡張を適用することで、深層学習モデルの一般化性能を向上させること。
• 複数のInception v4ネットワークを用いたアンサンブル学習の有効性を評価し、分類性能の向上を図ること。
• H&E染色による乳がん生検組織像のバイナリ分類（がん/非がん）と多クラス分類（4カテゴリー）の両方で高い精度を達成すること。

提案手法

• 本研究では、複数のサイズの並列畳み込みフィルタを用いてマルチスケール特徴を捉えるインセプションモジュールを採用したInception v4アーキテクチャを採用する。
• 深層アーキテクチャの学習を容易にし、勾配の流れを改善するために、Inception v4ネットワークに残差接続を統合する。
• ランダムクロッピング、フリップ、回転、色のジャマ（カラージャンブル）を含む、広範なデータ拡張を適用し、学習データの多様性を高め、過学習を低減する。
• 複数の訓練済みInception v4モデルのアンサンブルを用いて、投票または平均化により予測の堅牢性と精度を向上させる。
• モデルは、テストセットが80枚であるICIAR-2018 乳がん分類グランドチャレンジデータセット上で訓練および評価される。
• 標準的な指標（精度など）を用いて評価が行われ、4クラス分類およびバイナリ分類タスクの両方で結果が報告される。

実験結果

リサーチクエスチョン

• RQ1 残差接続を備えたInception v4アーキテクチャは、乳がんタイプの微細な組織像的差異を効果的に分類できるか？
• RQ2 広範なデータ拡張は、限られた医療画像データセットにおけるモデルの一般化性能および性能にどのように影響するか？
• RQ3 複数のInception v4ネットワークを用いたアンサンブル学習は、単一モデルに比べて分類精度を向上させるか？
• RQ4 バイナリ分類と多クラス分類の両方の乳がん組織像分類タスクで、どの程度の性能が達成可能か？

主な発見

• 4クラス分類タスクでは89%の精度を達成し、微細な組織像的差異の区別において強力な性能を示した。
• バイナリ分類（がん/非がん）では、80枚のテストセットで93.7%の精度を達成した。
• 広範なデータ拡張の適用により、過学習が顕著に低減され、バリデーションおよびテストセットにおけるモデルの一般化性能が向上した。
• 複数のInception v4ネットワークのアンサンブルは、単一モデルを上回る性能を示し、より高い堅牢性と予測安定性を示した。
• 本アプローチは、ICIAR-2018 乳がん分類グランドチャレンジにおいて50件の参加チーム中23位を獲得した。