[論文レビュー] Multi-task Graph Convolutional Neural Network for Calcification Morphology and Distribution Analysis in Mammograms

Hao Du, Melissa Min-Szu Yao+3 more|arXiv (Cornell University)|May 14, 2021

AI in cancer detection参考文献 35被引用数 6

ひとこと要約

本稿では、マンモグラムにおける微小石灰化の形状と分布をそれぞれノード分類タスクとグラフ分類タスクとしてモデル化する、マルチタスク型グラフ畳み込みニューラルネットワーク（GCN）を提案する。石灰化を空間的グラフに変換し、マルチタスク学習による共有表現を活用することで、単一タスクおよびベースラインモデルと比較して、形状および分布の分類性能が顕著に向上し、一般化性能と臨床的解釈可能性が向上した。

ABSTRACT

The morphology and distribution of microcalcifications in a cluster are the most important characteristics for radiologists to diagnose breast cancer. However, it is time-consuming and difficult for radiologists to identify these characteristics, and there also lacks of effective solutions for automatic characterization. In this study, we proposed a multi-task deep graph convolutional network (GCN) method for the automatic characterization of morphology and distribution of microcalcifications in mammograms. Our proposed method transforms morphology and distribution characterization into node and graph classification problem and learns the representations concurrently. Through extensive experiments, we demonstrate significant improvements with the proposed multi-task GCN comparing to the baselines. Moreover, the achieved improvements can be related to and enhance clinical understandings. We explore, for the first time, the application of GCNs in microcalcification characterization that suggests the potential of graph learning for more robust understanding of medical images.

研究の動機と目的

• ACR BI-RADSが求めるように、マンモグラムにおける微小石灰化の形状および分布を特徴付ける自動化手法の不足に対処すること。
• グラフ表現を用いて微小石灰化間の空間的関係をモデル化し、局所的およびグローバルな構造的パターンを捉えること。
• マルチタスク学習により、共通エンコーダ層を用いて形状（ノードレベル）と分布（グラフレベル）の特徴を同時に学習することで分類性能を向上させること。
• 石灰化特徴の構造的表現を用いて放射線科医の推論プロセスを模倣することで、臨床的解釈可能性を向上させること。
• グラフニューラルネットワークが、乳がんのより強固で説明可能な診断に向けた医療画像解析における可能性を検討すること。

提案手法

• マンモグラムにおける検出済み微小石灰化をグラフ構造に変換し、各石灰化をノードとし、空間的近接性（KNNまたは半径基準）を用いてエッジを定義する。
• 各石灰化の局所的パッチ特徴を抽出するための畳み込みニューラルネットワーク（CNN）を用いてノード表現を生成する。
• ディープグラフ畳み込みネットワーク（GCN）を適用し、隣接ノード間の特徴を統合することで、トポロジー的および幾何的関係を捉える。
• GCNが同時にノード分類（形状）とグラフ分類（分布）を実行するマルチタスク学習フレームワークを実装し、エンコーダ層を共有する。
• 複数のグラフ構造（例：KNNおよび半径基準グラフ）を統合するマルチグラフ統合を採用し、モデルのロバストネスと表現学習を向上させる。
• 両タスクにクロスエントロピー損失を用いてエンドツーエンドで学習し、共有およびタスク固有のヘッドを用いて共同最適化を実現する。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みネットワークは、マンモグラムにおける微小石灰化間の空間的関係を効果的にモデル化でき、形状および分布分類の性能向上に寄与するか？
• RQ2 形状分類と分布分類の間で共有表現を用いたマルチタスク学習は、単一タスクベースラインと比較してモデル性能を向上させるか？
• RQ3 GCNアーキテクチャの深さは、形状および分布タスクの分類性能にどのように影響するか？
• RQ4 複数のグラフ統合（例：KNNおよび半径基準グラフの統合）は、分類モデルのロバストネスおよび正確性をどの程度向上させるか？
• RQ5 提案されたGCNベースのフレームワークは、放射線科医の診断推論パターンを再現でき、乳がん診断における臨床意思決定を支援できるか？

主な発見

• 提案されたマルチタスクGCNは、評価データセットにおいて、すべてのベースラインモデルを上回る性能を示し、形状および分布分類の両面で最先端の性能を達成した。
• マルチタスク学習戦略により、形状または分布の分類に別々に学習するモデルと比較して、両タスクの性能が向上した。これは、共有表現学習によるものである。
• GCNの深さを増すことで性能が向上し、一定の深さまでは、多ホップの隣接ノードからのメッセージパッシングが可能になり、特徴学習が強化された。
• アブレーションスタディの結果、KNNおよび半径基準グラフの両方を用いたマルチグラフ統合は、単一グラフ入力と比較して、モデルのロバストネスおよび正確性を顕著に向上させた。
• モデルの性能向上は、GCNが空間的クラスタリングパターンを捉えられることに起因する。同様の形状の石灰化は空間的に集まっている傾向があり、分布パターンは組織内での構造的広がりを反映している。
• 結果から、グラフベースのディープラーニングは、従来のCNNベースのアプローチと比較して、より臨床的に解釈可能で強固な微小石灰化解析が可能であると示唆された。