[논문 리뷰] Active Learning for Breast Cancer Identification

Xinpeng Xie, Yuexiang Li외 1명|arXiv (Cornell University)|2018. 04. 18.

Machine Learning and Algorithms참고 문헌 8인용 수 5

한 줄 요약

이 논문은 깊이 학습 기반 유방암 식별 성능을 향상시키기 위해 순환적으로 잘못 레이블이 붙은 이미지를 컨volutional neural network(CNN)의 학습 세트에서 탐지하고 제거하는 새로운 학습 전략인 Reversed Active Learning(RAL)을 제안한다. ICIAR 2018 유방암 데이터셋에서 평가한 결과, RAL은 슬라이스 기반 분류 정확도를 93.75%에서 96.25%로 향상시켜 인간의 레이블링 노력이 최소한임에도 불구하고 진단 신뢰도 향상에 상당한 기여를 한다.

ABSTRACT

Breast cancer is the second most common malignancy among women and has become a major public health problem in current society. Traditional breast cancer identification requires experienced pathologists to carefully read the breast slice, which is laborious and suffers from inter-observer variations. Consequently, an automatic classification framework for breast cancer identification is worthwhile to develop. Recent years witnessed the development of deep learning technique. Increasing number of medical applications start to use deep learning to improve diagnosis accuracy. In this paper, we proposed a novel training strategy, namely reversed active learning (RAL), to train network to automatically classify breast cancer images. Our RAL is applied to the training set of a simple convolutional neural network (CNN) to remove mislabeled images. We evaluate the CNN trained with RAL on publicly available ICIAR 2018 Breast Cancer Dataset (IBCD). The experimental results show that our RAL increases the slice-based accuracy of CNN from 93.75% to 96.25%.

연구 동기 및 목표

• 기존의 유방암 진단 방식에서의 관찰자 간 변동성과 높은 노동력 비용 문제를 해결하기 위해 자동화된 분류 시스템을 개발하는 것.
• 데이터 효율적인 학습 전략을 활용해 딥 러닝 모델이 유방암 영상 분류 정확도를 향상시키는 것.
• 의료 영상 데이터셋 내 잘못 레이블이 붙은 데이터가 CNN 성능에 미치는 영향을 줄이는 것.
• 잘못 레이블이 붙은 샘플을 식별하고 제거하는 새로운 주도 학습 접근법인 Reversed Active Learning(RAL)을 제안하고 검증하는 것.

제안 방법

• RAL은 단순한 CNN의 학습 세트에 적용되어 잘못 레이블이 붙은 이미지를 식별하고 제거한다.
• 이 방법은 불확실성 샘플링을 뒤집어 적용한다: 정보가 많은 샘플을 선택하는 대신, 낮은 신뢰도 예측을 식별하고 이를 잘못 레이블이 붙은 것으로 간주해 제거한다.
• 반복적으로 높은 신뢰도로 예측되지만 잘못된 레이블이 붙은 이미지를 제거하며, 이러한 예측은 레이블링 오류를 시사한다고 가정한다.
• 다듬어진 학습 세트를 사용해 다시 CNN을 재학습함으로써 일반화 능력과 정확도를 향상시킨다.
• 이 접근법은 공개적으로 이용 가능한 유방암 영상 분류 기준인 ICIAR 2018 유방암 데이터셋에서 평가된다.

실험 결과

연구 질문

• RQ1 주도 학습 기반의 데이터 정제 전략이 유방암 영상 분류에서 CNN 성능을 향상시킬 수 있는가?
• RQ2 학습 세트에서 잘못 레이블이 붙은 이미지를 제거함으로써 분류 정확도가 얼마나 향상될 수 있는가?
• RQ3 Reversed Active Learning(RAL)이 노이즈가 많은 의료 영상 데이터셋에서 표준 학습 방식보다 뛰어난 성능을 보일 수 있는가?
• RQ4 의료 영상 분석 맥락에서 RAL은 전통적인 주도 학습과 비교해 어떻게 다른가?

주요 결과

• Reversed Active Learning(RAL)은 ICIAR 2018 유방암 데이터셋에서 CNN의 슬라이스 기반 분류 정확도를 93.75%에서 96.25%로 향상시켰다.
• 추가적인 인간 레이블링이 필요 없이 모델의 신뢰도만을 기반으로 잘못 레이블이 붙은 샘플을 탐지함으로써 성과를 달성했다.
• 레이블링 오류가 학습 데이터에 미치는 부정적 영향을 효과적으로 줄여 더 견고한 모델 일반화를 이끌어냈다.
• 결과적으로 RAL을 통한 데이터 품질 향상 전략이 의료 영상에서 딥 러닝 모델 성능 향상에 실현 가능하고 효과적인 방법임을 입증했다.