[論文レビュー] Use of Transfer Learning and Wavelet Transform for Breast Cancer Detection

Ahmed Rasheed, Muhammad Shahzad Younis+2 more|arXiv (Cornell University)|Mar 5, 2021

AI in cancer detection参考文献 48被引用数 8

ひとこと要約

本稿では、Mini-MIASデータセットを用いた3クラスの乳がん検出において、事前学習済みの畳み込みニューラルネットワーク（例：ResNet50、VGG16）を用いた転移学習の前処理としてウェーブレット変換と画像セグメンテーションを組み合わせたハイブリッドディープラーニングフレームワークを提案する。この手法は分類性能を顕著に向上させ、良性、悪性、正常の各クラスにおいてAUCが0.96を超える結果を達成し、特に正常例ではResNet50が0.985のAUCを達成した。

ABSTRACT

Breast cancer is one of the most common cause of deaths among women. Mammography is a widely used imaging modality that can be used for cancer detection in its early stages. Deep learning is widely used for the detection of cancerous masses in the images obtained via mammography. The need to improve accuracy remains constant due to the sensitive nature of the datasets so we introduce segmentation and wavelet transform to enhance the important features in the image scans. Our proposed system aids the radiologist in the screening phase of cancer detection by using a combination of segmentation and wavelet transforms as pre-processing augmentation that leads to transfer learning in neural networks. The proposed system with these pre-processing techniques significantly increases the accuracy of detection on Mini-MIAS.

研究の動機と目的

• 高度な前処理とディープラーニングを用いて、マンモグラム画像における乳がん検出の精度を向上させること。
• 事前学習済みのCNNを用いた転移学習を活用することで、限られた医療画像データセットの課題に対処すること。
• 従来の2クラス分類を越えて、良性、悪性、正常の3クラス分類を可能とするシステムを構築すること。
• ウェーブレット変換とセグメンテーションを特徴強化の前処理手法として用いることで、CNNの性能に与える影響を調査すること。
• 放射線科医の早期診断支援を可能にする、より信頼性が高く解釈可能なハイブリッドCADシステムの開発

提案手法

• 腫瘍の境界を強調し、異常組織領域を際立たせるために、領域ベースのセグメンテーションを用いてマンモグラムを前処理する。
• 離散ウェーブレット変換（DWT）を適用して画像をサブバンドに分解し、腫瘍局在に重要な周波数ドメイン特徴を抽出する。
• 元のデータに加えて、セグメンテーション済みおよびウェーブレット変換済み画像を統合し、ディープラーニングモデルの拡張入力を生成する。
• Mini-MIASデータセットで微調整された事前学習済みのCNNアーキテクチャ（VGG16、GoogleNet、AlexNet、ResNet50）を用いた転移学習を実装する。
• 2段階分類システムを採用：まず、異常を7クラスに分類する段階；次に、融合特徴を用いて3クラス分類（良性／悪性／正常）を実施する段階。
• AUC-ROC曲線を用いて性能を評価し、異なる転移学習モデルおよび前処理の組み合わせとの比較を実施する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレット変換とセグメンテーションを前処理として統合することで、乳がん検出における転移学習モデルの性能にどのような影響を与えるか？
• RQ2 3クラス分類フレームワーク（良性、悪性、正常）は、従来の2クラス分類を上回る性能を示せるか？
• RQ3 ウェーブレット変換とセグメンテーション前処理を組み合わせた場合、どの事前学習済みCNNアーキテクチャ（例：ResNet50、VGG16）が最高の診断精度を達成するか？
• RQ4 医療画像で一般的な低データ環境下において、ウェーブレット変換とセグメンテーションは、CNNの特徴抽出にどの程度寄与するか？
• RQ5 ウェーブレット変換とセグメンテーションによるデータ拡張は、3つの診断クラスすべてのAUC-ROC性能にどの程度の影響を与えるか？

主な発見

• 提案手法は、ResNet50を用いて正常クラスで0.985のAUCを達成し、他のモデルを顕著に上回った。
• ResNet50は、前処理済みデータを用いた場合、良性クラスで0.966、悪性クラスで0.965のAUCを達成し、最高の全体的性能を示した。
• すべての転移学習モデルが、元の画像のみを用いた場合と比較して、ウェーブレット変換済みおよびセグメンテーション済み画像を学習データとして用いることでAUCが顕著に向上した。
• ウェーブレット変換とセグメンテーションの組み合わせにより、3クラスすべてのAUCが、ベースラインモデルと比較して平均で30ポイント以上向上した。
• 3クラス分類システムは、良性で0.97、悪性で0.97、正常で0.99のAUCを達成し、強力な診断能力を示した。
• 全クラスのROC曲線は、前処理の適用により著しく改善され、モデルの識別力が向上していることが確認された。