[논문 리뷰] A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks

Ruqian Hao, Khashayar Namdar외 3명|arXiv (Cornell University)|2020. 06. 01.

Radiomics and Machine Learning in Medical Imaging참고 문헌 25인용 수 4

한 줄 요약

이 연구는 2D 합성곱 신경망을 사용하여 프로스타트 암 검출을 위한 확산 가중 MRI에서 다섯 가지 데이터 증강 기법—임의의 회전, 수평 반전, 수직 반전, 임의의 컷팅, 이동—을 평가한다. 얕은 신경망에서 가장 높은 AUC 0.85를 기록한 것은 회전 증강 기법이었으며, 이는 더 깊은 아키텍처와 다른 증강 전략들보다도 높은 성능을 보였다. 테스트 세트는 95명의 환자를 포함하고 있다.

ABSTRACT

Data augmentation refers to a group of techniques whose goal is to battle limited amount of available data to improve model generalization and push sample distribution toward the true distribution. While different augmentation strategies and their combinations have been investigated for various computer vision tasks in the context of deep learning, a specific work in the domain of medical imaging is rare and to the best of our knowledge, there has been no dedicated work on exploring the effects of various augmentation methods on the performance of deep learning models in prostate cancer detection. In this work, we have statically applied five most frequently used augmentation techniques (random rotation, horizontal flip, vertical flip, random crop, and translation) to prostate Diffusion-weighted Magnetic Resonance Imaging training dataset of 217 patients separately and evaluated the effect of each method on the accuracy of prostate cancer detection. The augmentation algorithms were applied independently to each data channel and a shallow as well as a deep Convolutional Neural Network (CNN) were trained on the five augmented sets separately. We used Area Under Receiver Operating Characteristic (ROC) curve (AUC) to evaluate the performance of the trained CNNs on a separate test set of 95 patients, using a validation set of 102 patients for finetuning. The shallow network outperformed the deep network with the best 2D slice-based AUC of 0.85 obtained by the rotation method.

연구 동기 및 목표

• 확산 가중 MRI에서 다양한 데이터 증강 전략이 딥 러닝 성능에 미치는 영향을 조사하기 위해.
• 회전, 반전, 컷팅, 이동 등의 일반적인 증강 기법들이 모델의 일반화 및 정확도에 미치는 영향을 비교하기 위해.
• 의료 영상에서 흔한 저데이터 환경에서 증강 기법이 성능 향상에 기여하는지 평가하기 위해.
• 다양한 증강 전략 하에서 얕은 신경망과 깊은 신경망 아키텍처의 성능을 평가하기 위해.
• 임상적 MRI 분류 작업에서 AUC를 최대화하기 위한 최적의 증강 전략을 규명하기 위해.

제안 방법

• 217명의 환자로 구성된 DW-MRI 데이터셋에 대해 다섯 가지 표준 데이터 증강 기법—임의의 회전, 수평 반전, 수직 반전, 임의의 컷팅, 이동—을 개별적으로 적용하였다.
• 다중 매개변수 MRI 특성을 유지하기 위해 각 데이터 채널에 대해 증강을 별도로 적용하였다.
• 각 증강된 데이터셋에 대해 얕은 신경망과 깊은 합성곱 신경망(CNN)을 별도로 훈련시켰다.
• 초기화 및 모델 선택을 위해 102명의 환자로 구성된 검증 세트를 사용하였다.
• 주로 AUC를 평가 지표로 사용하여, 보류된 테스트 세트(95명의 환자)에서 최종 모델을 평가하였다.
• 모든 증강 및 네트워크 구성에서 동일한 훈련 및 평가 프로토콜을 유지하였다.

실험 결과

연구 질문

• RQ1 DW-MRI에서 프로스타트 암 검출에 있어 어떤 데이터 증강 기법이 가장 높은 분류 성능를 제공하는가?
• RQ2 다양한 증강 전략은 저데이터 의료 영상 환경에서 CNN의 일반화 및 강건성에 어떻게 영향을 미치는가?
• RQ3 이 작업에서 데이터 증강을 적용했을 때, 얕은 CNN 아키텍처가 더 깊은 아키텍처보다 성능이 뛰어나게 되는가?
• RQ4 기본 모델 대비 각 개별 증강 방법이 AUC 향상에 얼마나 기여하는가?
• RQ5 이 특정 의료 영상 응용 분야에서 증강과 네트워크 깊이 사이에 상호보완적 효과가 존재하는가?

주요 결과

• 회전 증강 기법이 테스트 세트에서 2D 슬라이스 기반 AUC 0.85를 기록하여, 다른 모든 증강 기법보다 높은 성능를 보였다.
• 얕은 CNN 아키텍처가 더 깊은 네트워크보다 높은 성능를 기록하였으며, 특히 회전 증강 기법을 적용했을 때 최고의 AUC 0.85를 달성하였다.
• 수평 및 수직 반전은 회전보다 낮은 AUC를 기록하여, DW-MRI에서 진단적 특징을 유지하는 데에 한계가 있음을 시사하였다.
• 임의의 컷팅 및 이동 증강 기법은 중간 수준의 성능를 보였지만, 효과성 면에서 회전 기법에 미치지 못했다.
• 얕은 CNN과 함께 회전 증강 기법을 조합한 경우 가장 강력하고 정확한 분류 성능를 기록하였다.
• 이 연구는 단순하고 정적 증강 전략이 저데이터 의료 영상 시나리오에서 모델 성능을 크게 향상시킬 수 있음을 입증하였다.