[논문 리뷰] An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization

Yiqiu Shen, Nan Wu외 9명|arXiv (Cornell University)|2020. 02. 13.

AI in cancer detection참고 문헌 83인용 수 17

한 줄 요약

이 논문은 고해상도 스크리닝 유방 조영 검사에서 병변을 국소화하고 양성 및 악성 병변을 분류하는 데에 이미지 수준의 레이블만을 사용하는 메모리 효율적이고 해석 가능한 딥러닝 프레임워크인 글로벌 인식 다중 예비 분류기(GMIC)를 제안한다. 저용량의 글로벌 네트워크를 통해 거시적 국소화를 수행하고 선택된 영역에 대해 고용량의 로컬 네트워크를 적용함으로써 GMIC는 백만 장의 이미지 데이터셋에서 최신 기술 수준의 AUC 0.93를 달성하며, ResNet-34와 Faster R-CNN을 능가하면서도 4.1배 빠르고 GPU 메모리 사용량을 78.4% 줄였다.

ABSTRACT

Medical images differ from natural images in significantly higher resolutions and smaller regions of interest. Because of these differences, neural network architectures that work well for natural images might not be applicable to medical image analysis. In this work, we extend the globally-aware multiple instance classifier, a framework we proposed to address these unique properties of medical images. This model first uses a low-capacity, yet memory-efficient, network on the whole image to identify the most informative regions. It then applies another higher-capacity network to collect details from chosen regions. Finally, it employs a fusion module that aggregates global and local information to make a final prediction. While existing methods often require lesion segmentation during training, our model is trained with only image-level labels and can generate pixel-level saliency maps indicating possible malignant findings. We apply the model to screening mammography interpretation: predicting the presence or absence of benign and malignant lesions. On the NYU Breast Cancer Screening Dataset, consisting of more than one million images, our model achieves an AUC of 0.93 in classifying breasts with malignant findings, outperforming ResNet-34 and Faster R-CNN. Compared to ResNet-34, our model is 4.1x faster for inference while using 78.4% less GPU memory. Furthermore, we demonstrate, in a reader study, that our model surpasses radiologist-level AUC by a margin of 0.11. The proposed model is available online: https://github.com/nyukat/GMIC.

연구 동기 및 목표

• 고해상도 의료 영상에서 작은, 미세한 관심 영역을 분류하는 데 도전하는 데에 대비하기 위해.
• 병변 수준의 레이블이 필요 없이 글로벌 맥락과 세밀한 국소적 세부 정보를 모두 활용하는 모델을 개발하기 위해.
• 이미지 수준의 레이블만을 사용하여 약한 감독 기반의 국소화를 통해 픽셀 수준의 해석 가능성을 제공하기 위해.
• 대규모 의료 영상 응용 분야에서 메모리 효율성을 유지하면서도 높은 성능을 달성하기 위해.

제안 방법

• 모델은 전체 영상을 처리하고 잠재적인 병변을 나타내는 거시적 활성도 맵을 생성하기 위해 저용량의 글로벌 네트워크를 사용한다.
• 활성도 점수를 기반으로 활성도 맵에서 가장 정보가 많은 영역을 선택하고 해당 영역을 자르는 패치를 추출한다.
• 고용량의 로컬 네트워크가 선택된 패치를 처리하여 세밀한 시각적 특징을 추출한다.
• 융합 모듈이 글로벌 맥락과 로컬 세부 정보를 조합하여 최종 분류 예측을 생성한다.
• 전체 모델는 이미지 수준의 레이블만으로 끝에서 끝까지 훈련되며, 이는 약한 감독 기반의 국소화를 가능하게 한다.
• 이 프레임워크는 메모리 효율적으로 설계되어 원본 해상도의 유방 조영 영상을 내려받지 않고도 처리할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 메모리 효율적이고 해석 가능하면서도 고해상도 스크리닝 유방 조영 영상 분류에서 높은 정확도를 달성할 수 있는가?
• RQ2 글로벌 맥락과 로컬 세부 정보를 조합함으로써 글로벌 특징에만 의존하는 모델보다 분류 성능이 향상되는가?
• RQ3 이미지 수준의 레이블만으로 훈련된 모델이 의미 있는 픽셀 수준의 활성도 맵을 생성하여 잠재적인 악성 종양을 국소화할 수 있는가?
• RQ4 제안된 아키텍처가 대규모 유방 조영 영상 데이터에서 표준 모델인 ResNet-34와 Faster R-CNN보다 정확도와 추론 효율성 측면에서 뛰어나게 성능을 냈는가?
• RQ5 등가의 입력이 주어졌을 때 독자 연구에서 인간의 방사선 전문의 성능을 모델이 뛰어넘을 수 있는가?

주요 결과

• GMIC 모델은 뉴욕 대학교 유방암 스크리닝 데이터셋에서 악성 종양 분류에 AUC 0.93를 달성하여 ResNet-34와 Faster R-CNN를 모두 능가했다.
• 모델은 추론 속도가 ResNet-34보다 4.1배 빠르고 GPU 메모리 사용량을 78.4% 줄여 뛰어난 효율성을 입증했다.
• 독자 연구에서 모델은 AUC 0.11의 여유로운 격차로 방사선 전문의 수준의 성능을 초월하여 뛰어난 진단 정확도를 보였다.
• 모델은 이미지 수준의 레이블만으로도 픽셀 수준의 활성도 맵을 성공적으로 생성하여 잠재적 병변의 해석 가능한 국소화를 제공했다.
• 제거 실험을 통해 로컬 세부 정보를 통합함으로써 성능 향상이 뚜렷하게 이루어졌으며, 세밀한 특징 추출의 중요성을 입증했다.
• 학습 동역학 분석 결과, 글로벌 활성도 맵이 너무 일찍 안정화될 경우 로컬 모듈에서 과적합이 발생할 수 있음을 확인하여, 조율된 훈련 전략이 필요함을 시사했다.