[論文レビュー] Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning

Rushabh Patel|arXiv (Cornell University)|Jan 1, 2021

AI in cancer detection参考文献 9被引用数 4

ひとこと要約

本論文は、独自の畳み込みニューラルネットワーク（CNN）と強化学習サンプル学習（RSL）戦略を組み合わせた、非浸潤性導管癌の自動検出のための画期的なディーブラーニング手法を提案する。この手法により、大規模なマンモグラム画像からの完全自動特徴抽出と分類が可能となり、訓練時間の短縮と、DDSMデータセットにおいて150エポックで11.4%の誤差を達成した。これは、従来の訓練法に比べて収束が早く、一般化性能が向上していることを示している。

ABSTRACT

Invasive ductal carcinoma is a prevalent, potentially deadly disease associated with a high rate of morbidity and mortality. Its malignancy is the second leading cause of death from cancer in women. The mammogram is an extremely useful resource for mass detection and invasive ductal carcinoma diagnosis. We are proposing a method for Invasive ductal carcinoma that will use convolutional neural networks (CNN) on mammograms to assist radiologists in diagnosing the disease. Due to the varying image clarity and structure of certain mammograms, it is difficult to observe major cancer characteristics such as microcalcification and mass, and it is often difficult to interpret and diagnose these attributes. The aim of this study is to establish a novel method for fully automated feature extraction and classification in invasive ductal carcinoma computer-aided diagnosis (CAD) systems. This article presents a tumor classification algorithm that makes novel use of convolutional neural networks on breast mammogram images to increase feature extraction and training speed. The algorithm makes two contributions.

研究の動機と目的

• 非浸潤性導管癌診断における特徴抽出と分類のための完全自動CNNベースのシステムの開発。
• 医用画像分類のためのCNNにおける訓練時間と反復エポック数の短縮。
• マンモグラム画像分類におけるモデルの一般化性能の向上と検証誤差の低減。
• 領域の注目（ROI）特定、腫瘍検出、特徴抽出における手動介入の排除。
• 実臨床データを用いたデジタルマンモグラフィスクリーニングデータベース（DDSM）における提案手法の検証。

提案手法

• 手動による領域の注目（ROI）選択を不要とする、大規模なマンモグラム画像から特徴を自動で抽出する独自のCNNアーキテクチャを設計。
• 訓練中に難易度の高いまたは情報量の多いサンプルを優先するために、動的にサンプル重みを調整する強化学習サンプル学習（RSL）戦略を導入。
• DDSMデータベースの1,000例の良性および1,000例の悪性例を用いてモデルを訓練し、450例を検証に使用。
• RSL手法により、分類誤差を維持したまま必要なエポック数を削減することで、訓練の効率を最適化。
• 特徴表現の向上とモデル安定性の向上のため、Leaky ReLU活性化関数と平均プーリング層を採用。
• モデルの性能は、訓練および検証セットにおけるトップ-1誤差率を用いて評価。

実験結果

リサーチクエスチョン

• RQ1 完全自動のCNNベースのシステムは、手動による特徴工学を伴わずに、マンモグラムからの非浸潤性導管癌の分類において高い正確性を達成できるか？
• RQ2 提案された強化学習サンプル学習戦略は、標準的な訓練法に比べて訓練時間を短縮し、収束速度を向上させるか？
• RQ3 RSL戦略は、医用画像分類における検証誤差とモデル一般化性能にどのように影響を与えるか？
• RQ4 画像品質のばらつきやデータセットの異質性が、マンモグラム分類におけるモデル性能に及ぼす影響はどの程度か？
• RQ5 明示的な前処理を施さずに、微小な石灰化や小さな腫瘍などの微妙な特徴を効果的に検出できるか？

主な発見

• 提案されたCNNモデルは、強化学習サンプル学習戦略を用いて150エポックで11.4%の訓練誤差を達成した。
• 検証誤差は22.1%未満を維持しており、データセットのばらつきにもかかわらず良好な一般化性能を示した。
• RSLに基づく訓練法により、従来の訓練法に比べ必要なエポック数が削減され、訓練効率が向上した。
• モデルはDDSMデータセット内の画像品質のばらつきや構造的差異に対しても頑健であった。
• 領域の注目（ROI）特定や特徴記述における手動介入なしに、エンドツーエンドの特徴抽出と分類が成功した。
• 結果から、RSLを組み込んだ深層CNNを用いた大規模医用画像分類が、高速な収束と高い正確性を実現できることを確認した。