[논문 리뷰] Benign-Malignant Lung Nodule Classification with Geometric and Appearance Histogram Features

Tizita Nesibu Shewaye, Alhayat Ali Mekonnen|arXiv (Cornell University)|2016. 05. 26.

Lung Cancer Diagnosis and Treatment참고 문헌 11인용 수 26

한 줄 요약

이 논문은 CT 영상에서 기하학적 및 외관 히스토GRAM 특징을 사용하여 악성 및 양성 종양을 자동으로 분류하는 시스템을 제안한다. 비선형 분류기인 AdaBoost와 랜덤 포레스트를 활용하여 LIDC-IDRI 데이터셋의 미사용 테스트 데이터에서 악성 종양에 대해 82%의 민감도와 양성 종양에 대해 93%의 특이도를 달성한다.

ABSTRACT

Lung cancer accounts for the highest number of cancer deaths globally. Early diagnosis of lung nodules is very important to reduce the mortality rate of patients by improving the diagnosis and treatment of lung cancer. This work proposes an automated system to classify lung nodules as malignant and benign in CT images. It presents extensive experimental results using a combination of geometric and histogram lung nodule image features and different linear and non-linear discriminant classifiers. The proposed approach is experimentally validated on the LIDC-IDRI public lung cancer screening thoracic computed tomography (CT) dataset containing nodule level diagnostic data. The obtained results are very encouraging correctly classifying 82% of malignant and 93% of benign nodules on unseen test data at best.

연구 동기 및 목표

• 조직 영상에서 양성과 악성 폐 종양을 자동으로 구분하는 시스템을 개발하여 조기 폐암 진단을 지원한다.
• 분류 성능 향상을 위해 기하학적 특징과 외관 기반 영상 특징을 조합하는 효과를 조사한다.
• 이질적인 특징 집합에 대해 선형 및 비선형 분류기를 평가하여 양성-악성 종양 식별에 활용한다.
• 노드 수준의 진단 애너테이션이 있는 공개된 LIDC-IDRI 데이터셋을 활용해 접근 방식을 검증한다.
• 기계 학습 기반의 컴퓨터 보조 진단(CADx)을 통해 진단 정확도를 향상시키고 방사선 전문의의 작업 부담을 줄인다.

제안 방법

• CT 영상의 분할된 폐 종양에서 부피, 면적, 지름, 원형도와 같은 기하학적 특징을 추출한다.
• 노드 영역에서 회색 수준 히스토GRAM 및 방향성 기울기 히스토GRAM 특징을 계산하여 강도 및 무늬 패턴을 캡처한다.
• 모든 특징에 평균 및 분산 정규화를 적용하여 최적의 분류기 성능을 위한 정규 분포를 확보한다.
• 최종 재학습을 위해 전체 학습 세트에서 다시 학습하기 전에 하이퍼파라미터를 튜닝하기 위해 5겹 교차 검증 전략을 적용한다.
• 로지스틱 회귀, 선형 SVM, K-NN, AdaBoost, 랜덤 포레스트 등 다섯 가지 분류기를 사용하여 통합 특징 집합을 평가한다.
• AUC, 민감도, 특이도, 정확도, F-측정치 지표를 사용하여 보류된 테스트 세트에서 최종 평가를 수행한다.

실험 결과

연구 질문

• RQ1 기하학적 특징과 외관 히스토GRAM 특징의 조합이 양성-악성 폐 종양 분류 정확도를 향상시킬 수 있는가?
• RQ2 이질적인 영상 특징에 비선형 분류기와 선형 분류기를 적용했을 때, 폐 종양 분류에서 성능은 어떻게 다른가?
• RQ3 기존 선형 모델에 비해 앙상블 방법인 AdaBoost와 랜덤 포레스트가 분류 성능에 어떤 영향을 미치는가?
• RQ4 제안된 특징과 분류기가 LIDC-IDRI 데이터셋의 미사용 데이터에 얼마나 일반화되는가?
• RQ5 동일한 벤치마크 데이터셋에서 제안된 시스템의 성능은 최신 기술 수준의 방법과 비교해 어떻게 다른가?

주요 결과

• AdaBoost 분류기가 테스트 세트에서 최고의 AUC 0.94를 기록하여 뛰어난 분류 성능을 보였다.
• 성능이 가장 뛰어난 시스템은 미사용 테스트 데이터에서 82%의 악성 종양과 93%의 양성 종양을 올바르게 분류했다.
• 비선형 분류기, 특히 AdaBoost와 랜덤 포레스트는 로지스틱 회귀 및 선형 SVM와 같은 선형 분류기보다 유의미하게 뛰어난 성능을 보였다.
• 기하학적 특징, 회색 수준 히스토GRAM, 방향성 기울기 히스토GRAM 특징을 조합한 이질적인 특징 집합은 개별 특징 유형보다 더 높은 정확도를 제공했다.
• 이전 최신 기술 수준의 방법에 비해 Kumar 등 [10]과 [9]에서 보고한 바에 비해 각각 9%와 6%의 정확도 향상을 달성했다.
• AdaBoost를 사용할 경우 F-측정치가 0.87로 크게 향상되어 두 클래스 모두에서 정밀도와 재현율의 균형이 뛰어났다.