[논문 리뷰] Abnormality Detection in Mammography using Deep Convolutional Neural Networks

Pengcheng Xi, Chang Shu외 1명|arXiv (Cornell University)|2018. 03. 05.

AI in cancer detection참고 문헌 19인용 수 23

한 줄 요약

이 논문은 사전 훈련된 합성곱 신경망(CNN)을 사용한 전이 학습을 통해 잘라낸 영상 패치에서 유방 조영 검사의 석회화와 종양을 탐지하고 국소화하기 위한 딥 러닝 접근법을 제안한다. 최신 CNN 아키텍처인 VGGNet을 미세 조정하고, 국소화를 위해 클래스 활성 맵(CAM)을 사용함으로써, 전체 유방 조영 영상에 직접 훈련하지 않더라도 92.53%의 분류 정확도를 달성하고 이상 병변을 성공적으로 국소화하였다.

ABSTRACT

Breast cancer is the most common cancer in women worldwide. The most common screening technology is mammography. To reduce the cost and workload of radiologists, we propose a computer aided detection approach for classifying and localizing calcifications and masses in mammogram images. To improve on conventional approaches, we apply deep convolutional neural networks (CNN) for automatic feature learning and classifier building. In computer-aided mammography, deep CNN classifiers cannot be trained directly on full mammogram images because of the loss of image details from resizing at input layers. Instead, our classifiers are trained on labelled image patches and then adapted to work on full mammogram images for localizing the abnormalities. State-of-the-art deep convolutional neural networks are compared on their performance of classifying the abnormalities. Experimental results indicate that VGGNet receives the best overall accuracy at 92.53\% in classifications. For localizing abnormalities, ResNet is selected for computing class activation maps because it is ready to be deployed without structural change or further training. Our approach demonstrates that deep convolutional neural network classifiers have remarkable localization capabilities despite no supervision on the location of abnormalities is provided.

연구 동기 및 목표

• 딥 합성곱 신경망을 활용한 자동 특징 학습을 통해 유방 조영 검사의 컴퓨터 보조 검출(CADe)을 향상시키기 위해.
• 직접 전체 영상에 대해 훈련할 경우 세부 정보와 성능이 떨어지는 저대비, 노이즈가 많은 유방 조영 영상에서의 과제를 해결하기 위해.
• 클래스 활성 맵(CAM)을 통해 패치 기반으로 훈련된 CNN을 활용해 전체 유방 조영 영상에서 석회화와 종양을 정확하게 국소화할 수 있도록 하기 위해.
• 제한된 데이터셋에서 오버피팅 없이 최신 딥 CNN 아키텍처(예: VGGNet, ResNet, GoogLeNet)의 성능을 비교하기 위해.
• CBIS-DDSM 데이터셋을 사용하여 유방 조영 영상에서 이상 병변 탐지에 대한 향후 연구를 위한 기준 성능을 수립하기 위해.

제안 방법

• 전이 학습을 통해 레이블이 부여된 석회화 및 종양 영상 패치에서 사전 훈련된 딥 CNN(AlexNet, VGGNet, GoogLeNet, ResNet)를 미세 조정한다.
• 모멘텀을 사용한 확률적 경사 하강법를 사용하여 모델을 훈련하며, 배치 크기는 16, 초기 학습률은 1e-4로 설정하고, 정확도가 99.5%에 도달하거나 200 에포크가 되면 조기 종료한다.
• 전체 유방 조영 영상에 대해 재훈련 없이 훈련된 패치 분류기를 적용하고, 이상 병변 국소화를 위해 클래스 활성 맵(CAM)을 활용한다.
• CAM는 다음 식을 사용하여 계산한다: CAM = Σ(w_i * f_i), 여기서 w_i는 완전 연결층의 가중치이고 f_i는 마지막 합성곱층의 특징 맵이다.
• 구조적 수정이나 추가 훈련 없이 CAM과 호환성이 있는 점을 고려해 국소화에 ResNet을 사용한다.
• 일반화를 향상시키고 제한된 데이터셋에서 오버피팅을 줄이기 위해 데이터 증강과 5겹 교차 검증을 시행한다.

실험 결과

연구 질문

• RQ1 잘라낸 영상 패치에서 훈련된 딥 합성곱 신경망이 유방 조영 영상에서 석회화와 종양을 높은 정확도로 분류할 수 있는가?
• RQ2 제한된 데이터셋에서 미세 조정된 상태에서 최신 CNN 아키텍처 중 어떤 것이 석회화와 종양 분류에 가장 우수한 성능을 보이는가?
• RQ3 패치 기반으로 훈련된 CNN이 전체 유방 조영 영상에 대해 직접 훈련하지 않고도 이상 병변을 효과적으로 국소화할 수 있는가?
• RQ4 클래스 활성 맵는 얼마나 정확하고 해석 가능한 방식으로 유방 조영 영상에서 이상 병변을 국소화할 수 있는가?
• RQ5 데이터 증강과 함께 전이 학습을 통해 CBIS-DDSM와 같은 작은 의료 영상 데이터셋에서 성능이 어떻게 향상되는가?

주요 결과

• VGGNet가 전체 분류 정확도 92.53%로 가장 높은 성능을 기록했으며, AlexNet(91.23%), GoogLeNet(91.10%), ResNet(91.80%)를 능가했다.
• 종양 분류에서는 GoogLeNet가 95.06%의 최고 정확도를 기록했고, VGGNet는 종양 탐지에서 92.64%의 정확도를 달성했다.
• 구조적 수정 없이 CAM와 호환성이 있는 점을 고려해 국소화에 ResNet을 선택했다.
• 클래스 활성 맵은 전체 유방 조영 영상에서 석회화와 종양을 성공적으로 국소화했으며, 시각화 결과는 지상 진실(binary mask) 주석과 매우 유사했다.
• 이 방법은 패치 수준의 감독만으로도 전체 유방 조영 영상에서 이상 병변을 국소화할 수 있음을 입증했으며, 세그멘테이션 또는 전체 영상 훈련이 필요하지 않았다.
• 이 연구는 딥 러닝을 활용한 석회화 및 종양 탐지에 대해 CBIS-DDSM 데이터셋에서 보고된 바 없는 최초의 기준 성능을 제공한다.