[논문 리뷰] Automatic Mass Detection in Breast Using Deep Convolutional Neural Network and SVM Classifier

Md. Kamrul Hasan, Tajwar Abrar Aleef|arXiv (Cornell University)|2019. 07. 09.

AI in cancer detection참고 문헌 25인용 수 5

한 줄 요약

이 논문은 전이 학습을 활용한 딥러닝 파이프라인을 제안하며, VGG19와 SVM 분류기를 조합하여 유방 조영촬영에서 자동으로 유방 종양을 탐지한다. 454×454 크기의 패치에서 사전 훈련된 VGG19를 사용해 고수준 특징을 추출하고, 백드 결합 의사결정수림을 통해 특징 선택을 수행하며, 그리드 서치를 통해 C-SVM 및 ν-SVM 분류기의 하이퍼파라미터를 최적화하여 AUC를 최대화한다. 이 방법은 INbreast 데이터셋에서 0.994 ± 0.003의 높은 안정성 있는 AUC를 달성하여 CPU 환경에서도 높은 정확도와 일반화 능력을 보이며, 계산 오버헤드가 극히 적다.

ABSTRACT

Mammography is the most widely used gold standard for screening breast cancer, where, mass detection is considered as the prominent step. Detecting mass in the breast is, however, an arduous problem as they usually have large variations between them in terms of shape, size, boundary, and texture. In this literature, the process of mass detection is automated with the use of transfer learning techniques of Deep Convolutional Neural Networks (DCNN). Pre-trained VGG19 network is used to extract features which are then followed by bagged decision tree for features selection and then a Support Vector Machine (SVM) classifier is trained and used for classifying between the mass and non-mass. Area Under ROC Curve (AUC) is chosen as the performance metric, which is then maximized during classifier selection and hyper-parameter tuning. The robustness of the two selected type of classifiers, C-SVM, and \u{psion}-SVM, are investigated with extensive experiments before selecting the best performing classifier. All experiments in this paper were conducted using the INbreast dataset. The best AUC obtained from the experimental results is 0.994 +/- 0.003 i.e. [0.991, 0.997]. Our results conclude that by using pre-trained VGG19 network, high-level distinctive features can be extracted from Mammograms which when used with the proposed SVM classifier is able to robustly distinguish between the mass and non-mass present in breast.

연구 동기 및 목표

• 유방 조영촬영에서 종양의 형태, 크기, 질감, 경계의 높은 변동성을 다루기 위한 목적으로.
• 딥 뉘앙스 특징과 지도 학습 분류를 활용해 종양 영역과 비종양 영역을 구분하는 강력하고 계산 효율적인 방법을 개발하기 위한 목적으로.
• C 및 ν 하이퍼파라미터를 그리드 서치를 통해 최적화하여 AUC를 최대화함으로써 높은 일반화 성능을 확보하기 위한 목적으로.
• 다중 교차 검증 폴드와 데이터 증강을 통해 방법의 강건성을 검증하기 위한 목적으로.
• 작은 학습 데이터셋에서도 전이 학습과 특징 선택을 조합함으로써 높은 성능의 분류를 달성할 수 있음을 보여주기 위한 목적으로.

제안 방법

• 454×454 크기의 유방 조영촬영 패치에서 깊이 있는 합성곱 특징을 추출하기 위해 사전 훈련된 VGG19 네트워크를 사용해 전이 학습을 적용한다.
• 차원 수를 줄이고 과적합을 완화하기 위해 백드 결합 의사결정수림을 사용해 가장 구분력 있는 특징을 선택한다.
• 영역 아래 곡선 아래 면적(AUC)을 최대화하기 위해 광범위한 그리드 서치를 사용해 지원 벡터 머신(C-SVM 및 ν-SVM)을 훈련하고 최적화한다.
• 각 분류기 유형에 대해 독립적으로 C 및 ν 하이퍼파라미터를 조정하여 최적의 성능을 달성한다.
• 강건성 평가를 위해 오차 분할 교차 검증을 사용하며, 후속 실험에서는 데이터 증강(뒤집기 및 회전)을 적용한다.
• 주요 평가 지표로 AUC를 사용하며, 각 폴드 간 표준편차를 함께 보고한다.

실험 결과

연구 질문

• RQ1 사전 훈련된 VGG19 특징이 유방 조영촬영에서 종양 영역과 비종양 영역을 효과적으로 구분할 수 있는가?
• RQ2 백드 결합 의사결정수림 특징 선택과 SVM을 조합하면 분류의 강건성과 AUC가 향상되는가?
• RQ3 하이퍼파라미터가 최적화되었을 때, C-SVM과 ν-SVM 중 어느 분류기 유형이 더 높은 성능을 보이는가?
• RQ4 다양한 교차 검증 폴드와 데이터 증강 조건에서 이 방법의 성능은 어떻게 되는가?
• RQ5 전이 학습과 철저한 하이퍼파라미터 최적화를 통해 작은 학습 데이터셋으로도 높은 AUC를 달성할 수 있는가?

주요 결과

• 제안된 파이프라인은 모든 테스트 폴드에서 평균 AUC 0.994 ± 0.003을 달성했으며, 특히 실험 3에서 최고 성능를 기록했다.
• C=100 및 ν=0.005로 최적화된 경우, C-SVM과 ν-SVM 모두 동일한 AUC 값(0.994 ± 0.003)을 기록하여 일관된 성능를 보였다.
• 실험 3는 454×454 패치, 기하학적 증강, 특징 선택을 적용하여 가장 높은 AUC와 가장 낮은 표준편차를 기록했으며, 이는 뛰어난 강건성을 의미한다.
• 계산 시간은 단 3시간 18분으로, CPU 하드웨어 환경에서도 효율성을 입증했다.
• 실험 4는 더 큰 특징 벡터(25,088개 특징)와 더 많은 데이터를 사용했지만, AUC는 약간 낮은 0.988 ± 0.009로 나타났고, 훈련 시간은 12시간으로 더 길어져 복잡성과 성능 사이의 상충 관계를 확인했다.
• 실험 3의 모든 폴드에서의 ROC 곡선은 거의 동일한 성능를 보이며, 이는 다양한 데이터 분할 조건에서도 방법의 일관성과 강건성을 입증한다.