[論文レビュー] LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model

Muntasir Mamun, Md Ishtyaq Mahmud+2 more|arXiv (Cornell University)|Apr 10, 2023

Lung Cancer Diagnosis and TreatmentMedicine被引用数 3

ひとこと要約

本論文では、CTスキャン画像を用いた早期肺がん診断のためのカスタム畳み込みニューラルネットワーク（CNN）モデルであるLCDctCNNを提案する。このモデルは、CT画像データセット上で、92%の正確性、98.21%のAUC、91.72%の再現率、0.328の損失を達成し、Inception V3、Xception、ResNet-50といったベンチマークモデルを上回る診断性能を示した。

ABSTRACT

The most deadly and life-threatening disease in the world is lung cancer. Though early diagnosis and accurate treatment are necessary for lowering the lung cancer mortality rate. A computerized tomography (CT) scan-based image is one of the most effective imaging techniques for lung cancer detection using deep learning models. In this article, we proposed a deep learning model-based Convolutional Neural Network (CNN) framework for the early detection of lung cancer using CT scan images. We also have analyzed other models for instance Inception V3, Xception, and ResNet-50 models to compare with our proposed model. We compared our models with each other considering the metrics of accuracy, Area Under Curve (AUC), recall, and loss. After evaluating the model's performance, we observed that CNN outperformed other models and has been shown to be promising compared to traditional methods. It achieved an accuracy of 92%, AUC of 98.21%, recall of 91.72%, and loss of 0.328.

研究の動機と目的

• CTスキャン画像を用いた早期かつ正確な肺がん診断のためのディープラーニングモデルの開発。
• 医用画像における畳み込みニューラルネットワークの力を活用することで、従来の診断法を改善すること。
• 提案されたCNNモデルの性能を、Inception V3、Xception、ResNet-50といった既存のアーキテクチャと比較すること。
• 正確性、AUC、再現率、損失といった標準指標を用いてモデルの有効性を評価すること。
• 臨床現場における肺がんスクリーニングに向けた、強固で高精度な診断ツールの貢献。

提案手法

• 肺がんの分類を目的とした、CTスキャン画像に特化したカスタムCNNアーキテクチャ、LCDctCNNを設計した。
• 標準的なデータオーグメンテーション技術を用いて一般化性能を向上させつつ、CTスキャン画像のデータセット上でモデルを訓練および検証した。
• 主なディープラーニング指標として、正確性、受信者リポーチ曲線（ROC）下の面積（AUC）、再現率、損失を用いて性能を評価した。
• 同じデータセット上で微調整された、転移学習ベースのモデルであるInception V3、Xception、ResNet-50と比較した。
• 分類性能の最適化を図るため、交差エントロピー損失を用いた確率的勾配降下法を訓練に使用した。
• 肺CT画像から階層的な特徴を抽出するために、複数の畳み込み層およびプーリング層を活用したアーキテクチャを採用した。

実験結果

リサーチクエスチョン

• RQ1 カスタムCNNモデルは、CTスキャン画像からの肺がん検出において、既存の事前学習済みモデルを上回る診断性能を達成できるか？
• RQ2 提案されたLCDctCNNモデルは、CT画像データセット上で、どの程度の診断正確性、AUC、再現率、損失を示すか？
• RQ3 LCDctCNNの性能は、正確性、AUC、再現率、損失といった主な評価指標において、Inception V3、Xception、ResNet-50と比べてどう異なるか？
• RQ4 提案されたCNNモデルは、早期肺がん検出において、一般化性能および頑健性の向上を示すか？
• RQ5 ディープラーニングモデルは、CT画像を用いた肺がんスクリーニングにおいて、偽陰性を顕著に低減できるか？

主な発見

• LCDctCNNモデルは、肺がんCTスキャン画像データセットで92%の分類正確性を達成した。
• モデルは98.21%のAUCを記録し、がん例と非がん例の間の優れた識別能力を示した。
• 再現率は91.72%と測定され、陽性肺がん症例の検出における高い感受性を示した。
• モデルの損失値は0.328であり、訓練中の効果的な最適化と収束を示した。
• LCDctCNNは、すべての評価指標においてInception V3、Xception、ResNet-50を上回り、優れた性能を示した。
• 結果から、この特定の診断タスクにおいて、カスタムCNNアーキテクチャが転移学習モデルを上回ることが確認された。