[논문 리뷰] Adaptation of a deep learning malignancy model from full-field digital mammography to digital breast tomosynthesis

Sadanand Singh, Thomas P. Matthews외 7명|arXiv (Cornell University)|2020. 01. 23.

AI in cancer detection참고 문헌 20인용 수 4

한 줄 요약

이 논문은 풀필드 디지털 mammography(FFDM)에서 훈련된 딥러닝 악성 종양 모델을 최대 강도 영상(MIP)을 사용하여 디지털 유방 단층촬영(DBT)으로 이식하기 위한 도메인 적응 방법을 제안한다. 도메인 간 차이를 줄이기 위해 평균 히스토GRAM 매칭을 적용하고, SpotTune를 사용한 미세조정을 통해 DBT MIP 영상에서 ROC AUC 0.847을 달성하였다. 이는 직접 MIP에 대해 테스트한 결과(ROC AUC ~0.75)보다 유의하게 뛰어나며, 제한된 DBT 데이터로도 효과적인 적응을 보여준다.

ABSTRACT

Mammography-based screening has helped reduce the breast cancer mortality rate, but has also been associated with potential harms due to low specificity, leading to unnecessary exams or procedures, and low sensitivity. Digital breast tomosynthesis (DBT) improves on conventional mammography by increasing both sensitivity and specificity and is becoming common in clinical settings. However, deep learning (DL) models have been developed mainly on conventional 2D full-field digital mammography (FFDM) or scanned film images. Due to a lack of large annotated DBT datasets, it is difficult to train a model on DBT from scratch. In this work, we present methods to generalize a model trained on FFDM images to DBT images. In particular, we use average histogram matching (HM) and DL fine-tuning methods to generalize a FFDM model to the 2D maximum intensity projection (MIP) of DBT images. In the proposed approach, the differences between the FFDM and DBT domains are reduced via HM and then the base model, which was trained on abundant FFDM images, is fine-tuned. When evaluating on image patches extracted around identified findings, we are able to achieve similar areas under the receiver operating characteristic curve (ROC AUC) of $\sim 0.9$ for FFDM and $\sim 0.85$ for MIP images, as compared to a ROC AUC of $\sim 0.75$ when tested directly on MIP images.

연구 동기 및 목표

• 제한된 레이블이 부여된 DBT 데이터 문제를 해결하기 위해 사전에 훈련된 FFDM 악성 종양 모델을 DBT 검사에 적응시키는 것.
• 이미지 전처리 기법을 사용하여 FFDM 및 DBT 이미지 분포 간 도메인 간 차이를 줄이는 것.
• 제한된 타겟 도메인 데이터를 가진 DBT MIP 영상에서 전이 학습 및 적응형 미세조정 전략의 효과를 평가하는 것.
• 큰 DBT 데이터셋에서 다시 훈련하지 않고도 DBT에서의 종양 분류 성능을 향상시키는 것.

제안 방법

• 3D DBT 볼륨을 2D 영상으로 변환하기 위해 최대 강도 영상(MIP)을 사용하여 기존 FFDM 모델과의 호환성을 확보한다.
• FFDM 및 DBT MIP 영상의 강도 분포를 일치시키기 위해 평균 히스토GRAM 매칭(HM)을 적용하여 도메인 간 차이를 줄인다.
• 사전에 FFDM에서 훈련된 딥러닝 모델을 DBT MIP 영상에서 미세조정하며, HM 유무에 따라 비교한다.
• SpotTune는 입력 영상의 특성에 따라 네트워크의 특정 잔차 블록만 선택적으로 업데이트하는 학습 가능한 미세조정 정책을 사용한다.
• 성능 평가에는 방사선의학적으로 주석이 달린 영역 주변의 영상 패치에서 ROC AUC를 사용한다.
• 큰 FFDM 데이터셋에서의 전이 학습을 통해 작은 DBT 데이터셋으로의 적응을 가능하게 하여, 새로운 레이블링 작업의 필요성을 최소화한다.

실험 결과

연구 질문

• RQ1 제한된 레이블이 부여된 DBT 데이터로 FFDM에서 훈련된 딥러닝 악성 종양 모델이 DBT MIP 영상에 효과적으로 적응될 수 있는가?
• RQ2 히스토GRAM 매칭이 FFDM 및 DBT 이미지 분포 간 도메인 간 차이를 줄이는 데 얼마나 효과적인가?
• RQ3 직접 추론과 비교했을 때, 미세조정 또는 SpotTune이 DBT MIP에서의 모델 성능을 향상시키는가?
• RQ4 사전 훈련 없이 DBT MIP에서 직접 훈련된 기준 모델과 비교했을 때, 적응된 모델의 성능은 어떻게 되는가?
• RQ5 높은 성능을 달성하는 데 있어 전처리(HM)와 모델 적응(fine-tuning)의 상대적 기여도는 무엇인가?

주요 결과

• 히스토GRAM 매칭만으로도 가장 뛰어난 성능를 달성하였으며, DBT MIP 영상에서 ROC AUC 0.847을 기록하여 모든 다른 적응 전략을 능가했다.
• 히스토그램 매칭 없이도, 미세조정과 SpotTune는 기준 AUC ~0.75에서 각각 0.837과 0.830으로 성능 향상을 보였다.
• 히스토그램 매칭 이후, SpotTune와 표준 미세조정 간 성능 격차가 좁혀져 네트워크의 광범위한 업데이트가 필요로 하는 정도가 감소했다.
• FFDM 패치에서 ROC AUC 약 0.9를 달성하여 원천 도메인에서 강력한 기준 성능을 보였다.
• 결과적으로, 타겟 데이터가 제한된 상황에서 전처리(HM)를 통한 도메인 간 차이 감소가 복잡한 미세조정 전략보다 더 효과적임을 보여주었다.
• 이 연구는 타겟 도메인에서의 레이블이 최소한일지라도 새로운 영상 모odalities로의 효과적인 적응이 가능함을 입증한다.