[논문 리뷰] A GLCM Embedded CNN Strategy for Computer-aided Diagnosis in Intracerebral Hemorrhage

Yifan Hu, Yefeng Zheng|arXiv (Cornell University)|2019. 06. 05.

Brain Tumor Detection and Classification참고 문헌 9인용 수 11

한 줄 요약

이 논문은 비정상적인 뇌내 출혈 영역에 관심 영역(ROIs)을 고정 크기의 회색 수준 공존 행렬(GLCM) 이미지로 변환하는 GLCM-CNN 하이브리드 모델을 제안한다. 이 GLCM 이미지는 원본 CT 이미지와 융합되어 이중 입력으로서 CNN에 입력되며, 수동적인 특징 선택 없이도 네트워크가 ROI 내부의 질감 특징에 집중할 수 있도록 하여 분류 정확도를 향상시킨다. 이는 세 가지 의료 영상 데이터베이스에서 최신 기술 수준의 성능을 달성하며 손실과 정확도가 향상됨으로써 입증된다.

ABSTRACT

Computer-aided diagnosis (CADx) systems have been shown to assist radiologists by providing classifications of all kinds of medical images like Computed tomography (CT) and Magnetic resonance (MR). Currently, convolutional neural networks play an important role in CADx. However, since CNN model should have a square-like input, it is usually difficult to directly apply the CNN algorithms on the irregular segmentation region of interests (ROIs) where the radiologists are interested in. In this paper, we propose a new approach to construct the model by extracting and converting the information of the irregular region into a fixed-size Gray-Level Co-Occurrence Matrix (GLCM) and then utilize the GLCM as one input of our CNN model. In this way, as an useful implementary to the original CNN, a couple of GLCM-based features are also extracted by CNN. Meanwhile, the network will pay more attention to the important lesion area and achieve a higher accuracy in classification. Experiments are performed on three classification databases: Hemorrhage, BraTS18 and Cervix to validate the universality of our innovative model. In conclusion, the proposed framework outperforms the corresponding state-of-art algorithms on each database with both test losses and classification accuracy as the evaluation criteria.

연구 동기 및 목표

• 딥 러닝을 사용하여 CT 영상에서 비정형적인 모양의 뇌내 출혈 영역을 분류하는 데 도전하는 것.
• 수작업된 특징 선택 없이도 수작업된 GLCM 질감 특징을 CNN 프레임워크에 통합하는 것.
• 이중 입력 CNN 아키텍처를 통해 ROI 내 병변 특이적 질감 패턴에 초점을 맞춤으로써 분류 성능을 향상시키는 것.
• 다양한 의료 영상 데이터셋에서 GLCM-CNN 전략의 일반성과 강건성을 검증하는 것.

제안 방법

• 방법은 0°, 45°, 90°, 135°의 네 방향에서 강도 공존 통계를 사용하여 비정형 ROI에서 GLCM 이미지를 생성한다.
• GLCM 이미지는 고정 크기(예: 96×96)로 정규화되어 원본 CT 이미지와 함께 CNN 모델의 보조 입력으로 사용된다.
• 하이브리드 CNN 아키텍처는 전역 특징을 전체 이미지에서, 질감 특징을 GLCM 이미지에서 추출하여 특징 수준에서 융합하며, 백본 네트워크로 ResNet-18과 VGG-11를 사용한다.
• 최종 특징 벡터는 메인 CNN 브랜치에서 유래한 1024개의 특징과 32개의 GLCM 유래 특징을 조합하여 소프트맥스 레이어를 거쳐 4개 클래스 분류를 수행한다.
• 모델은 5겹 교차 검증과 조기 정지, Adam 최적화를 사용하여 훈련되며, 교차 엔트로피 손실을 최소화한다.
• GLCM 변환은 질감 정보를 유지하면서도 일관된 입력 크기를 보장하여, 기존 CNN에서 비정형 ROI 형태로 인한 제약를 극복한다.

실험 결과

연구 질문

• RQ1 비정형 ROI를 GLCM 기반으로 변환하는 것이 CNN을 사용한 뇌내 출혈 진단의 분류 정확도를 향상시키는가?
• RQ2 CNN의 깊은 특징과 GLCM에서 유도된 질감 특징을 융합하면 CNN 단독 사용보다 성능 향상이 이루어지는가?
• RQ3 제안된 GLCM-CNN 모델은 병변 유형과 ROI 특성이 다른 다양한 의료 영상 데이터셋에 일반화 가능한가?
• RQ4 작은 또는 불균형된 데이터셋에 적용되었을 때, 복잡한 CNN 아키텍처(예: ResNet-18)에서 과적합을 줄이는 데 모델이 기여하는가?

주요 결과

• GLCM-CNN 모델은 출혈 데이터셋에서 테스트 손실 0.8697과 정확도 87.55%를 기록하여 ResNet-18(손실: 0.8839, 정확도: 86.07%)과 VGG-11(손실: 0.9110, 정확도: 83.71%)을 모두 초월했다.
• 희귀 출혈 유형(AVM 및 MMD)에 대해서는 AUC가 기준 모델 대비 2% 이상 향상되어 저빈도 병변의 탐지 능력 향상이 확인되었다.
• BraTS18 데이터셋에서 GLCM-CNN은 손실을 ResNet18의 1.0407에서 1.0248로 감소시키고 정확도를 51.18%에서 52.64%로 향상시켰다.
• 자궁경부 데이터셋에서 모델은 손실을 ResNet18의 0.9722에서 0.9670으로 감소시키고 정확도를 57.56%에서 58.02%로 높였다.
• 훈련 곡선은 GLCM-CNN이 더 빠른 수렴과 더 안정적인 성능를 보였으며, 50 에포크 동안 일관되게 낮은 손실과 높은 정확도를 기록했다.
• ResNet-18 백본은 VGG-11보다 GLCM 브랜치에서 더 큰 이점을 얻었으며, 이는 깊은 모델에서 과적합을 완화하는 데 방법이 기여함을 시사한다.