[論文レビュー] Neural networks approach for mammography diagnosis using wavelets features

Essam A. Rashed, Mohamed M. Awad|arXiv (Cornell University)|Mar 6, 2020

AI in cancer detection参考文献 18被引用数 4

ひとこと要約

本論文では、ウェーブレットに基づく特徴抽出と人工ニューラルネットワークを用いた教師ありマンモグラフィ診断システムを提案する。多レベルウェーブレット分解によりデジタルマンモグラムが特徴ベクトルに変換され、それらがニューラルネットワークによって腫瘍の種類とリスクレベルに分類される。放射線科医がラベル付けしたデータを用いた実験で、単一レベル手法と比較して多レベル分解による特徴表現の向上が図られ、有望な結果が得られた。

ABSTRACT

A supervised diagnosis system for digital mammogram is developed. The diagnosis processes are done by transforming the data of the images into a feature vector using wavelets multilevel decomposition. This vector is used as the feature tailored toward separating different mammogram classes. The suggested model consists of artificial neural networks designed for classifying mammograms according to tumor type and risk level. Results are enhanced from our previous study by extracting feature vectors using multilevel decompositions instead of one level of decomposition. Radiologist-labeled images were used to evaluate the diagnosis system. Results are very promising and show possible guide for future work.

研究の動機と目的

• デジタルマンモグラムのための高度な特徴抽出を用いた教師あり診断システムの開発。
• 特徴抽出のための単一レベルウェーブレット分解から多レベルウェーブレット分解に置き換えることで、分類性能の向上。
• 人工ニューラルネットワークを活用して、マンモグラムにおける腫瘍の種類とリスクレベルの正確な分類。
• 臨床的関連性を確認するため、放射線科医がアノテートしたマンモグラフィ画像を用いてシステムの妥当性を検証。
• ウェーブレットとニューラルネットワークの統合を活用した、自動乳腺がん診断分野における今後の研究の基盤を提供。

提案手法

• デジタルマンモグラム画像に多レベルウェーブレット分解を適用し、詳細な空間周波数特徴を抽出。
• 得られたウェーブレット係数を組み合わせて、各画像を表す特徴ベクトルを構成。
• 特徴ベクトルを訓練済みの人工ニューラルネットワークに入力し、分類処理。
• ニューラルネットワークは、マンモグラムを明確に分類可能な腫瘍の種類とリスクレベルに分類するように訓練。
• 教師あり学習と性能評価のため、放射線科医がラベル付けしたデータをシステムが使用。
• 単一レベル分解ではなく多レベル分解を用いることで、より豊富な特徴表現が可能となり、先行研究を改善。

実験結果

リサーチクエスチョン

• RQ1 多レベルウェーブレット分解は、単一レベル分解と比較して、マンモグラム分類のための特徴表現をどのように向上させるか？
• RQ2 ウェーブレット由来の特徴を用いたニューラルネットワークは、マンモグラムの腫瘍の種類とリスクレベルの分類において、どの程度効果的か？
• RQ3 本手法は、放射線科医がラベル付けしたデータを用いて、どの程度高い診断精度を達成できるか？
• RQ4 ウェーブレット変換とニューラルネットワークの組み合わせは、自動マンモグラフィ診断において、どの程度の可能性を秘めているか？
• RQ5 単純な特徴抽出手法を用いた従来のアプローチと比較して、本システムの性能はどのように異なるか？

主な発見

• 多レベルウェーブレット分解を用いることで、単一レベル分解と比較して特徴表現が顕著に向上し、分類性能が向上した。
• 提案されたニューラルネットワークモデルは、マンモグラムにおける腫瘍の種類とリスクレベルの区別において、有望な分類精度を達成した。
• 結果は、ウェーブレットベースの特徴がデジタルマンモグラムから関連する診断パターンを的確に捉えられることを示している。
• 特に放射線科医が検証したデータを用いた場合、本システムは臨床現場における意思決定支援ツールとして強い可能性を示している。
• 本研究は、ウェーブレットとニューラルネットワークを統合したハイブリッド手法を用いた、今後の自動乳腺がん診断分野の研究基盤を提供している。
• 多レベル分解による特徴抽出の向上のおかげで、モデルは従来のバージョンを上回る性能を発揮した。