[논문 리뷰] A Deep Convolutional Neural Network for Lung Cancer Diagnostic

Mehdi Fatan Serj, Bahram Lavi외 2명|arXiv (Cornell University)|2018. 04. 22.

Lung Cancer Diagnosis and Treatment참고 문헌 6인용 수 42

한 줄 요약

논문은 CT 이미지로 이진 폐암 분류를 위한 심층 CNN 아키텍처(dCNN)를 소개하고 Kaggle Data Science Bowl 2017에서 높은 민감도와 특이도, 경쟁력 있는 로그손실을 보고합니다.

ABSTRACT

In this paper, we examine the strength of deep learning technique for diagnosing lung cancer on medical image analysis problem. Convolutional neural networks (CNNs) models become popular among the pattern recognition and computer vision research area because of their promising outcome on generating high-level image representations. We propose a new deep learning architecture for learning high-level image representation to achieve high classification accuracy with low variance in medical image binary classification tasks. We aim to learn discriminant compact features at beginning of our deep convolutional neural network. We evaluate our model on Kaggle Data Science Bowl 2017 (KDSB17) data set, and compare it with some related works proposed in the Kaggle competition.

연구 동기 및 목표

• 의료 CT 영상에서 심층학습을 이용한 조기이고 정확한 폐암 탐지 동기 부여.
• 이진 분류(암/비암)에 대한 판별적이고 간결한 특징 학습 CNN 아키텍처 개발.
• Kaggle Data Science Bowl 2017 데이터셋에서 모델을 평가하고 상위 경쟁자들과 비교.

제안 방법

• 11x11, 5x5, 3x3의 네 가지 합성곱 층, 두 개의 최대 풀링 층, 완전 연결층, 최종 두 유닛 소프트맥스 분류기를 가진 CNN을 제안합니다.
• 각 합성곱 뒤에 ReLU 활성화를 사용하고 교차 엔트로피(softmax) 손실 및 다항 로지스틱 회귀 목표를 따릅니다.
• 크기 조정된 120x120 CT 슬라이스에서 배치 크기 128, 학습률 0.001, 모멘텀 0.9의 확률적 경사 하강법으로 학습합니다.
• 감도, 특이도, F1-점수, Kaggle 대회에서 사용된 로그손실을 통해 성능을 평가합니다.

실험 결과

연구 질문

• RQ1 CT 슬라이스에서 결정적 특징을 학습하여 이진 설정에서 폐암과 비암을 구분할 수 있는지 확인합니다.
• RQ2 제안된 dCNN이 Kaggle Data Science Bowl 2017 데이터셋에서 상위 경쟁자들과 비교해 로그손실 및 표준 지표에서 어떤 성능을 보이는지 확인합니다.

주요 결과

• 제안된 dCNN은 민감도 0.87, 특이도 0.991, F1-점수 0.95를 달성합니다.
• 모델의 로그손실은 0.2098로, 상위 Kaggle 경쟁자들(예: grt123의 0.3997)을 능가합니다.
• Kaggle 데이터셋에서 암-비암 구분이 매우 높은 특이도와 함께 강한 판별력을 보이며, 암 없는 이미지의 비율이 더 큽니다.
• 혼동 행렬은 암 대 비암 분류에 대해 효과적이며 오차 분포가 우호적임을 나타냅니다.