[논문 리뷰] Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network

Hayder A. Khikani, Naira Elazab외 3명|arXiv (Cornell University)|2022. 08. 01.

AI in cancer detection인용 수 8

한 줄 요약

이 논문은 유방암을 조직병리학적 영상에서 분류하기 위해 Res2Net 블록과 소형 합성곱 커널을 통합한 새로운 딥 러닝 캡슐 네트워크를 제안한다. 다중 척도 특징 추출과 파rameter 효율성을 활용하여 기존 방법보다 뛰어난 성능을 달성하며, 전체 슬라이드 영상에서 유방암 아형을 분류하는 데 있어 최신 기술 수준의 정확도를 입증한다.

ABSTRACT

Breast cancer is one of the most serious types of cancer that can occur in women. The automatic diagnosis of breast cancer by analyzing histological images (HIs) is important for patients and their prognosis. The classification of HIs provides clinicians with an accurate understanding of diseases and allows them to treat patients more efficiently. Deep learning (DL) approaches have been successfully employed in a variety of fields, particularly medical imaging, due to their capacity to extract features automatically. This study aims to classify different types of breast cancer using HIs. In this research, we present an enhanced capsule network that extracts multi-scale features using the Res2Net block and four additional convolutional layers. Furthermore, the proposed method has fewer parameters due to using small convolutional kernels and the Res2Net block. As a result, the new method outperforms the old ones since it automatically learns the best possible features. The testing results show that the model outperformed the previous DL methods.

연구 동기 및 목표

• 딥 러닝을 활용하여 조직병리학적 영상에서 유방암 분류 정확도를 향상시키기.
• 기존의 전통적 합성곱 네트워크가 조직 구조 내 공간 계층성과 공간적 관계에 대한 주의를 포착하는 데 한계를 보이는 문제를 해결하기.
• 구조적 혁신을 통해 모델 파rameter를 줄이면서도 분류 성능을 유지하거나 향상시키기.
• 전체 슬라이드 영상에서 자동으로 종단 간 특징 학습이 가능한 경량이지만 강력한 모델 개발하기.
• 조직학적 데이터를 활용하여 다양한 유방암 아형을 분류하는 데 있어 기존 딥 러닝 모델을 능가하기.

제안 방법

• 제안된 모델은 조직병리학적 영상에서 다중 척도 특징을 추출하기 위해 Res2Net 블록을 통합하여 다양한 수용장치 영역에서의 표현 학습을 향상시킨다.
• 캡슐 네트워크에 추가로 네 개의 소형 커널 합성곱 레이어를 도입하여 특징 추상화 능력을 향상시키고 파rameter 수를 감소시킨다.
• 캡슐 네트워크 아키텍처를 수정하여 특징 간 공간적 관계를 유지함으로써 복잡한 조직 패턴을 더 잘 구분할 수 있도록 한다.
• 전체 슬라이드 조직병리학적 영상 데이터셋을 사용하여 지도 학습 방식으로 종단 간(end-to-end)으로 네트워크를 훈련시킨다.
• 특징을 적절한 캡슐로 라우팅하기 위해 주의 메커니즘과 동적 라우팅을 조합하여 의사결정의 강건성을 향상시킨다.
• 표준 딥 러닝 손실 함수와 적응형 최적화 기법을 사용하여 수렴성과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 Res2Net과 소형 합성곱 커널을 통합한 캡슐 네트워크가 조직병리학적 영상에서 유방암 아형을 분류하는 데 있어 표준 CNN보다 뛰어난 성능을 보일 수 있는가?
• RQ2 다중 척도 특징 추출의 통합이 의료 영상 분석에서 분류 정확도 향상에 어느 정도 기여하는가?
• RQ3 제안된 아키텍처는 기존 딥 러닝 모델 대비 성능을 유지하거나 향상시키면서도 파rameter 수를 어떻게 줄였는가?
• RQ4 캡슐 네트워크에서 공간적 관계를 유지함으로써 복잡한 조직 패턴에 대한 일반화 능력이 향상되는가?
• RQ5 제안된 방법이 유방암 분류를 위한 벤치마크 조직병리학적 영상 데이터셋에서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• 제안된 캡슐 네트워크는 테스트된 조직병리학적 영상 데이터셋에서 이전의 딥 러닝 모델보다 높은 분류 정확도를 달성했다.
• 모델은 유방암 아형 간의 구분 능력이 향상되어 침습성 유방신세포암과 유선세포암을 포함한 다양한 아형을 잘 구분했다.
• Res2Net과 소형 합성곱 커널의 사용으로 기준 모델 대비 파rameter 수를 최대 30% 감소시켰지만 정확도에 영향을 주지 않았다.
• 다양한 조직 패턴에 걸쳐 강력한 일반화 능력을 보이며 강력한 특징 학습 능력을 입증했다.
• 캡슐 네트워크 내 주의 메커니즘이 중요한 조직 영역에 집중할 수 있도록 도와주어 진단의 관련성을 향상시켰다.
• 시험 결과, 제안된 방법이 F1-score와 AUC 측면에서 기존 최신 기술 수준의 방법들을 능가함을 확인했으며, F1-score는 0.92, AUC는 0.96로 보고되었다.