[論文レビュー] Mammography Dual View Mass Correspondence

Shaked Perek, Alon Hazan+2 more|arXiv (Cornell University)|Jul 2, 2018

AI in cancer detection参考文献 13被引用数 3

ひとこと要約

本論文は、CCおよびMLO視野の二重視野 mammography における質量病変の照合に、パッチベース表現を用いて共有類似性メトリクスを学習するシアンプス深層学習ネットワークを提案する。この手法は、誤検出を低減することで検出精度を向上させ、フル検出パイプラインで86.4%のAUROCを達成し、従来のテンプレートマッチングを上回り、DDSMおよび自社内データセット間で優れた汎用性を示している。

ABSTRACT

Standard breast cancer screening involves the acquisition of two mammography X-ray projections for each breast. Typically, a comparison of both views supports the challenging task of tumor detection and localization. We introduce a deep learning, patch-based Siamese network for lesion matching in dual-view mammography. Our locally-fitted approach generates a joint patch pair representation and comparison with a shared configuration between the two views. We performed a comprehensive set of experiments with the network on standard datasets, among them the large Digital Database for Screening Mammography (DDSM). We analyzed the effect of transfer learning with the network between different types of datasets and compared the network-based matching to using Euclidean distance by template matching. Finally, we evaluated the contribution of the matching network in a full detection pipeline. Experimental results demonstrate the promise of improved detection accuracy using our approach.

研究の動機と目的

• CCおよびMLO視野間での質量病変の照合という課題に取り組む。変形や組織の重なりが検出を複雑にするためである。
• 手作業で設計された特徴量ではなく、学習された類似性メトリクスを用いて二重視野情報を活用することで、画像診断支援（CAD）システムの性能を向上させる。
• シアンプスネットワークが、古典的なテンプレートマッチング（相関係数）よりも、視野間の対応する質量パッチを同定する能力に優れているかどうかを評価する。
• 照合ネットワークをフル自動化検出パイプラインに統合し、感度および特異度への影響を評価する。

提案手法

• パッチペアをCCおよびMLO視野から抽出し、重みとアーキテクチャを共有する二本のブランチを持つシアンプス畳み込みニューラルネットワークを訓練し、共同表現を学習する。
• 類似性メトリクスの最適化のため、正例（一致）と負例（不一致）のパッチペアに、コントラスト型損失関数を用いる。
• 共有された特徴ネットワークを用いてパッチレベルの特徴を抽出し、その後、類似性スコアを計算する比較層を設ける。
• 訓練中に水平反転および90°、180°、270°の回転を含むデータ拡張を実施し、耐性を向上させる。
• ドメイン適応および一般化性を評価するため、データセット（DDSM、自社内、Notredam）間で転移学習とファインチューニングを評価した。
• 照合ネットワークをフル検出パイプラインに統合し、第二視野に一致するペアがない検出を含めるか除外するかを変更することで、性能への影響を評価した。

実験結果

リサーチクエスチョン

• RQ1 シアンプス深層学習ネットワークは、二重視野 mammography 間での質量病変照合に、有効に類似性メトリクスを学習できるか？
• RQ2 提案されたネットワークベースの照合手法は、相関係数を用いた従来のテンプレートマッチングを上回るか？
• RQ3 転移学習およびファインチューニングは、異なる mammography データセット間で照合ネットワークの性能にどのように影響するか？
• RQ4 フル自動化された病変検出パイプライン全体における照合ネットワークの感度および特異度への寄与は何か？

主な発見

• DDSM データセットにおいて、フル検出パイプラインでシアンプスネットワークはAUROC 0.864を達成し、感度99%、特異度19%を示した。誤検出が顕著に低減された。
• テンプレートマッチングは、自社内データセットでは0.73、DDSMデータセットでは0.63のAUROCにとどまり、シアンプスネットワークに劣った。
• 自社内データでDDSMで事前学習したモデルをファインチューニングしたところ、AUCは0.971を達成し、自社内データで完全トレーニングした場合（0.969）と比較してわずかに優れた性能を示した。これは、ドメイン転送が効果的であることを示唆している。
• ドロップアウトの導入によりAUC性能が向上し、ROC曲線から一般化性能が向上していることが示された。
• 誤検出（図5のシアン色で示された）を効果的に低減・除外でき、最終出力品質が向上した。
• 放射線科医の実務に合致するアプローチであり、まず懸念すべき所見を検出し、その後に視野間での対応を確認する。