[論文レビュー] Mammograms Classification: A Review

Marawan Elbatel|arXiv (Cornell University)|Mar 4, 2022

AI in cancer detection被引用数 4

ひとこと要約

このレビューでは、マンモグラムにおける悪性および良性の乳腺マスの分類に向けたディープラーニングと古典的機械学習手法を評価し、手動セグメンテーションと自動セグメンテーションによる領域の注目（ROI）を比較している。特に、アンサンブルおよび弱教師付きネットワークを用いたディープラーニングモデルが、AUCで+0.11の優位性を示し、放射線科医を上回り、従来の手法を凌駕していることが強調されている。

ABSTRACT

An advanced reliable low-cost form of screening method, Digital mammography has been used as an effective imaging method for breast cancer detection. With an increased focus on technologies to aid healthcare, Mammogram images have been utilized in developing computer-aided diagnosis systems that will potentially help in clinical diagnosis. Researchers have proved that artificial intelligence with its emerging technologies can be used in the early detection of the disease and improve radiologists' performance in assessing breast cancer. In this paper, we review the methods developed for mammogram mass classification in two categories. The first one is classifying manually provided cropped region of interests (ROI) as either malignant or benign, and the second one is the classification of automatically segmented ROIs as either malignant or benign. We also provide an overview of datasets and evaluation metrics used in the classification task. Finally, we compare and discuss the deep learning approach to classical image processing and learning approach in this domain.

研究の動機と目的

• マンモグラムマス分類における古典的画像処理とディープラーニング手法の分析と比較を行う。
• 手動で提供されたROIと自動的にセグメンテッドされたROIを用いた、画像支援診断（CAD）システムの良性および悪性マス分類における性能を評価する。
• データセット選択、評価指標、モデルの頑健性がマンモグラム分類研究に与える影響を評価する。
• 説明可能性、一般化、計算コストといったディープラーニングベースのCADシステムにおける主な課題を調査する。
• フェデレーテッドラーニングを用いたプライバシー保護型で汎用性の高いモデル学習のための今後の方向性を検討する。

提案手法

• 本レビューは、マンモグラム分類を2種類に分類する：（1）手動セグメンテーションによるROIの分類、（2）全マンモグラムからの自動的セグメンテーションとROI分類。
• 古典的機械学習手法には、特徴抽出（例：テクスチャ、形状、強度）とその後に続く分類器（SVMやランダムフォレストなど）が含まれる。
• DenseNet-121、ResNet-22、およびアンサンブルアーキテクチャ（例：DMV-CNN）などのディープラーニングモデルが、悪性と良性マスの検出性能について評価されている。
• 弱教師付き学習は、GMICのようなモデルで用いられ、ピクセルレベルのアノテーションが不要な画像レベルのラベルから、グローバルおよびローカルネットワークを用いてサリエンシーマップを生成する。
• パッチレベル分類器からのヒートマップが、入力チャネルに統合され、局在化と分類精度が向上した。
• 最終予測のため、グローバルおよびローカル特徴表現を統合するためにゲート付きアテンション機構が適用された。

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、マンモグラムマス分類において古典的機械学習手法と比べてどのように異なるか？
• RQ2 マス分類において、手動セグメンテーションROIと完全自動ROIセグメンテーションの間で性能にどのような差があるか？
• RQ3 ピクセルレベルのアノテーションが不要な状態で、弱教師付きディープラーニングモデルは放射線科医レベルの性能を達成できるか？
• RQ4 特に説明可能性と一般化の観点から、臨床現場へのディープラーニングモデルの導入における主な課題は何か？
• RQ5 フェデレーテッドラーニングは、多様な画像デバイスや集団をカバーするモデルの頑健性をどのように向上させることができるか？

主な発見

• アンサンブルおよび弱教師付きアーキテクチャを用いたディープラーニングモデルは、AUCが放射線科医を上回っており、1つのモデルではAUCで+0.11の優位性を示した。
• DMV-CNNモデルは、CCおよびMLO視野の複数のマス画像表現を統合することで、視野間の予測を平均化し、分類性能を向上させた。
• パッチレベル分類器からのヒートマップをディープネットワークの入力に統合することで、局在化の精度が向上し、分類精度が改善された。
• GMICモデルは、サリエンシーマップからの勾配を逆伝播可能にするためのグリーディーアグリゲーター関数を用いて、画像レベルのラベルのみで高い性能を達成した。
• 高い性能を示す一方で、ディープラーニングモデルは解釈性の低さ、高い計算コスト、異なる画像デバイスや集団における一般化の限界に直面している。
• フェデレーテッドラーニングは、分散型で多様な臨床データセット上で、頑健でプライバシー保護型のモデル学習を実現する有望なアプローチとして浮上している。