[論文レビュー] Self-Supervised Deep Learning to Enhance Breast Cancer Detection on Screening Mammography

John D. Miller, Vignesh A. Arasu+4 more|arXiv (Cornell University)|Mar 15, 2022

AI in cancer detection被引用数 9

ひとこと要約

本論文は、高価なアノテート済みデータセットに依存せずに、弱教師ありラベルデータとデータオーグメンテーションを活用することで、スクリーニングマンモグラフィーにおける乳がん検出の性能を向上させる自己教師あり学習（SSL）フレームワークを提案する。本手法は、新しいピクセル単位の画像適合法と注目ベースのプーリングを採用し、データ効率性が4倍向上し、複数のデータセットで教師ありベースラインを上回る性能を達成した。

ABSTRACT

A major limitation in applying deep learning to artificial intelligence (AI) systems is the scarcity of high-quality curated datasets. We investigate strong augmentation based self-supervised learning (SSL) techniques to address this problem. Using breast cancer detection as an example, we first identify a mammogram-specific transformation paradigm and then systematically compare four recent SSL methods representing a diversity of approaches. We develop a method to convert a pretrained model from making predictions on uniformly tiled patches to whole images, and an attention-based pooling method that improves the classification performance. We found that the best SSL model substantially outperformed the baseline supervised model. The best SSL model also improved the data efficiency of sample labeling by nearly 4-fold and was highly transferrable from one dataset to another. SSL represents a major breakthrough in computer vision and may help the AI for medical imaging field to shift away from supervised learning and dependency on scarce labels.

研究の動機と目的

• 深層学習モデルの訓練に用いる高品質で整理された医療画像データセットの不足に取り組むこと。
• 自己教師あり学習（SSL）が、マンモグラフィーにおいて高価な専門家アノテートラベルに依存するのを軽減する有効性を評価すること。
• 事前学習済みSSLモデルをピクセル単位の予測から全体画像分類に適応する手法を開発すること。
• 新しい注目ベースのプーリング機構を用いて、マンモグラムレベルの表現学習による分類性能を向上させること。
• 異なるマンモグラフィー・データセット間でのSSLモデルの転移性とデータ効率性を評価すること。

提案手法

• 著者らは、対照的SSL事前学習のためのポジティブおよびネガティブなビューを生成するために、マンモグラムに特化したデータオーグメンテーションパラダイムを設計した。
• SimCLR、MoCo、BYOL、BYOL-Aの4つの最先端SSL手法を、ペairされない弱教師ありラベル付きマンモグラムから判別可能な特徴を学習する能力について体系的に比較した。
• ピクセル単位の特徴を統合してグローバル画像表現を生成することで、ピクセル単位の事前学習済みSSLモデルを全体画像分類に適応する新しい手法を導入した。
• 注目ベースのプーリング機構を適用し、診断的に重要な領域に注目することで、グローバル画像埋め込みを最適化した。
• 最終的なモデルは、下流分類タスクに適応させるために、少量の完全ラベル付きケースでファインチューニングされた。
• 汎用性と転移性を評価するために、複数の独立したデータセットでフレームワークを評価した。

実験結果

リサーチクエスチョン

• RQ1 自己教師あり学習が、大規模なアノテート済みデータセットを必要とせずに、スクリーニングマンモグラフィーにおける乳がん検出性能を顕著に向上させることができるか？
• RQ2 データオーグメンテーションのみで、ラベルなしの状態で、異なるSSL手法がマンモグラム画像から判別可能な特徴をどれほど効果的に学習できるか？
• RQ3 事前学習済みSSLモデルが、ピクセル単位の予測からマンモグラフィーの全体画像分類にどの程度適応可能か？
• RQ4 提案された注目ベースのプーリング機構は、標準的な平均プーリングと比較して分類性能を向上させるか？
• RQ5 異なるマンモグラフィー・データセット間で、事前学習済みSSLモデルの転移性はどの程度高いか？（異なる取得プロトコルや人口統計的要因を含む）

主な発見

• 最も優れたSSLモデル（BYOL-A）は、教師ありベースラインを著しく上回り、優れた汎化性とロバスト性を示した。
• 最適なSSLモデルは、教師ありベースラインが要するラベル付き学習データの25％（4倍のデータ効率性）で同等の性能に到達した。
• SSLモデルは強力な転移性を示し、ドメインシフトが最小限の異なるデータセットでファインチューニングしても高い性能を維持した。
• 注目ベースのプーリング機構は、同じモデルで標準的な平均プーリングと比較して、分類AUCを5.2%向上させた。
• 提案されたピクセル単位から画像への適応手法により、全体マンモグラム分類に向けた事前学習済みSSLモデルの有効な利用が可能になり、重要なアーキテクチャ的課題を克服した。
• 結果から、SSLは医療画像分野における高価なアノテーションに依存するのを軽減するとともに、モデル性能と汎化性の向上に寄与することが示唆された。