[논문 리뷰] Adversarial Deep Structural Networks for Mammographic Mass Segmentation

Wentao Zhu, Xiang Xiang외 2명|arXiv (Cornell University)|2016. 12. 18.

AI in cancer detection참고 문헌 31인용 수 43

한 줄 요약

이 논문은 유계 컨volution 네트워크(FCN)와 조건부 랜덤 필드(CRF)를 결합한 엔드 투 엔드 적대적 딥 구조적 네트워크를 제안한다. 이는 유방 조영 검사에서 종양 세분화를 위해 개발되었으며, 공간 사전 지식, 적대적 훈련, 다중 척도 융합을 통합함으로써 INBreast 및 DDSM-BCRP 데이터셋에서 최신 기술 수준의 성능을 달성한다. 각각 9.7% 및 13%의 상대적 Dice 지수 향상률을 기록한다.

ABSTRACT

Mass segmentation is an important task in mammogram analysis, providing effective morphological features and regions of interest (ROI) for mass detection and classification. Inspired by the success of using deep convolutional features for natural image analysis and conditional random fields (CRF) for structural learning, we propose an end-to-end network for mammographic mass segmentation. The network employs a fully convolutional network (FCN) to model potential function, followed by a CRF to perform structural learning. Because the mass distribution varies greatly with pixel position, the FCN is combined with position priori for the task. Due to the small size of mammogram datasets, we use adversarial training to control over-fitting. Four models with different convolutional kernels are further fused to improve the segmentation results. Experimental results on two public datasets, INbreast and DDSM-BCRP, show that our end-to-end network combined with adversarial training achieves the-state-of-the-art results.

연구 동기 및 목표

• 딥 러닝 기반 세분화에서 제한적이고 저대비의 유방 조영 검사 데이터셋 문제를 해결한다.
• 적대적 훈련을 통해 작은 의료 영상 데이터셋에서의 과적합을 완화한다.
• 공간 사전 지식과 구조적 CRF 학습을 엔드 투 엔드 프레임워크에 통합하여 세분화 정확도를 향상시킨다.
• 수작업 특징 추출이나 다단계 훈련에 의존하지 않고 FCN와 CRF를 단일 훈련 파이프라인에 통합함으로써 통합한다.
• 통합적이고 강력한 딥 러닝 아키텍처를 사용하여 공개 유방 종양 세분화 벤치마크에서 뛰어난 성능을 달성한다.

제안 방법

• 픽셀 수준의 분류를 위한 단항 잠재변수를 모델링하기 위해 학습된 특징과 공간 사전 지식을 갖춘 완전 컨volution 네트워크(FCN)를 사용한다.
• 구조적 일致성을 강제하기 위해 완전 연결된 이元 CRF를 통합하며, 메시지 전파와 재가중을 통해 효율적인 추론을 수행한다.
• FCN의 과적합을 줄이기 위해 적대적 훈련을 적용하며, 훈련 중에 적대적 예제를 생성한다.
• 다양한 컨볼루션 커널 네 개를 사용한 다중 척도 융합 전략을 통해 특징 표현과 강건성을 향상시킨다.
• FCN-CRF 시스템 전체를 엔드 투 엔드로 훈련하여 네트워크 가중치와 CRF 파라미터를 동시에 최적화한다.
• 효율적인 CRF 추론을 위해 평균 장 근사법을 사용하며, 호환성 변환과 정규화를 통해 예측을 정밀하게 조정한다.

실험 결과

연구 질문

• RQ1 작은 데이터셋에서 유방 종양 세분화에 대해 적대적 훈련이 딥 네트워크의 정규화에 효과적으로 기여하는가?
• RQ2 다양한 분포를 가진 종양 영역에서 공간 사전 지식을 통합하면 세분화 정확도가 어떻게 향상되는가?
• RQ3 FCN와 CRF의 엔드 투 엔드 훈련이 이중 단계 또는 특징 엔지니어링 기반 접근 방식보다 얼마나 뛰어나게 성능을 높이는가?
• RQ4 여러 컨볼루션 커널의 융합이 종양 세분화에서 강건성과 일반화 능력을 향상시키는가?
• RQ5 기본 FCN 또는 FCN-CRF 베이스라인에 비해 제안된 방법이 경계 정확도를 얼마나 향상시키는가?

주요 결과

• 제안된 적대적 FCN-CRF 네트워크는 이전 최신 기술 수준의 방법에 비해 INBreast 데이터셋에서 9.7%의 상대적 Dice 지수 향상을 달성한다.
• DDSM-BCRP 데이터셋에서는 13%의 상대적 Dice 지수 향상을 기록하여 다양한 데이터셋 간 강력한 일반화 능력을 입증한다.
• 적대적 훈련 자체만으로도 평균적으로 0.4% 향상된 Dice 지수를 기록하여 작은 훈련 세트에서의 과적합을 효과적으로 줄인다.
• 공간 사전 지식의 추가로 세분화 정확도가 0.3% 향상되었으며, 해부학적 맥락의 중요성을 강조한다.
• 트림랩 영역(폭 1–5)에서 적대적 훈련으로 경계 정확도가 2–3% 향상되어 가장자리 국소화 능력 향상이 확인된다.
• McNemar의 카이 제곱 검정에서 p-값 < 0.001을 기록하여, INBreast 데이터셋에서 기존 최신 기술 수준 방법에 비해 모델의 유의미한 우월성을 확인한다.