[논문 리뷰] Breast Cancer Classification from Histopathological Images with Inception Recurrent Residual Convolutional Neural Network

Md Zahangir Alom, Chris Yakopcic외 2명|arXiv (Cornell University)|2018. 11. 10.

AI in cancer detection참고 문헌 15인용 수 4

한 줄 요약

이 논문은 조직병리학적 영상에서 유방암 분류를 위한 인셉션 순환 잔차 컨볼루션 신경망(이하 IRRCNN)을 제안한다. 이 모델은 Inception-v4, ResNet, 그리고 순환 컨볼루션 신경망의 구성 요소를 통합하여 특징 학습 능력과 분류 정확도를 향상시킨다. IRRCNN은 BreakHis 및 2015 유방암 분류 챌린지 데이터셋에서 최신 기술 수준(SOTA) 성능을 기록하며, 민감도, AUC, ROC 면적, 전체 정확도에서 기존 방법들을 능가한다.

ABSTRACT

The Deep Convolutional Neural Network (DCNN) is one of the most powerful and successful deep learning approaches. DCNNs have already provided superior performance in different modalities of medical imaging including breast cancer classification, segmentation, and detection. Breast cancer is one of the most common and dangerous cancers impacting women worldwide. In this paper, we have proposed a method for breast cancer classification with the Inception Recurrent Residual Convolutional Neural Network (IRRCNN) model. The IRRCNN is a powerful DCNN model that combines the strength of the Inception Network (Inception-v4), the Residual Network (ResNet), and the Recurrent Convolutional Neural Network (RCNN). The IRRCNN shows superior performance against equivalent Inception Networks, Residual Networks, and RCNNs for object recognition tasks. In this paper, the IRRCNN approach is applied for breast cancer classification on two publicly available datasets including BreakHis and Breast Cancer Classification Challenge 2015. The experimental results are compared against the existing machine learning and deep learning-based approaches with respect to image-based, patch-based, image-level, and patient-level classification. The IRRCNN model provides superior classification performance in terms of sensitivity, Area Under the Curve (AUC), the ROC curve, and global accuracy compared to existing approaches for both datasets.

연구 동기 및 목표

• 딥 러닝을 활용하여 조직병리학적 영상에서 유방암 분류 정확도를 향상시키기 위해.
• 인셉션, 잔차, 순환 컨볼루션 신경망 아키텍처의 장점을 융합하여 기존 모델의 한계를 보완하기 위해.
• 제안된 IRRCNN 모델이 영상 수준 및 환자 수준의 분류 작업에서 평가되도록 하기 위해.
• 다양한 평가 지표를 기반으로 IRRCNN의 성능을 최신 기술 수준의 기계학습 및 딥 러닝 방법과 비교하기 위해.
• 공개 데이터셋에서 민감도, AUC 및 전체 정확도 측면에서 뛰어난 성능을 입증하기 위해.

제안 방법

• IRRCNN 모델은 다중 척도 특징 추출과 효율적 계산을 위해 인셉션-v4 아키텍처를 통합한다.
• 기울기 소실 문제를 완화하고 훈련 깊이를 향상시키기 위해 ResNet의 잔차 연결을 통합한다.
• 특징 맵 간의 공간적 의존성을 모델링하기 위해 순환 컨볼루션 레이어를 도입하여 맥락 이해 능력을 향상시킨다.
• 모델은 전체 슬라이드 영상 및 패치 수준 표현에서 엔드 투 엔드로 훈련된다.
• 훈련은 교차 엔트로피 손실과 함께 확률적 경사 하강법를 사용하며, 일반화 능력을 향상시키기 위해 데이터 증강 기법이 적용된다.
• 다수의 패치에서 예측을 집계함으로써 모델은 영상 수준 및 환자 수준의 분류를 모두 지원한다.

실험 결과

연구 질문

• RQ1 인셉션, 잔차, 순환 구성 요소를 융합한 하이브리드 딥 러닝 아키텍처가 조직병리학적 영상에서 유방암 분류 정확도를 향상시킬 수 있는가?
• RQ2 IRRCNN 모델은 독립적인 인셉션, ResNet, RCNN 모델 대비 민감도 및 AUC 측면에서 어떻게 성능을 내는가?
• RQ3 순환 연결의 통합이 조직병리학적 영상 분류에서 특징 표현을 향상시키는가?
• RQ4 IRRCNN의 성능은 벤치마크 데이터셋에서 영상 수준 및 환자 수준의 분류 작업 모두에서 어떻게 나타나는가?
• RQ5 제안된 모델은 BreakHis 및 2015 유방암 분류 챌린지와 같은 다양한 조직병리학적 영상 데이터셋에 효과적으로 일반화될 수 있는가?

주요 결과

• IRRCNN 모델은 기존 딥 러닝 및 기계학습 방법 대비 BreakHis 데이터셋에서 가장 높은 전체 정확도를 기록했다.
• 2015 유방암 분류 챌린지 데이터셋에서 IRRCNN은 뛰어난 민감도와 AUC 값을 보이며 기준 모델을 능가했다.
• IRRCNN은 BreakHis 데이터셋에서 AUC 0.98을 기록하여 양성 및 악성 사례 간의 우수한 분류 능력을 입증했다.
• 두 데이터셋 모두에서 ROC 곡선 성능이 뚜렷하게 향상되어 모델의 강건성을 확인했다.
• 순환 레이어의 통합은 특히 조직 패턴에서 장거리 공간적 의존성을 포착함으로써 더 나은 특징 표현을 가능케 했다.
• 이 모델은 영상 수준 및 환자 수준의 분류에서 모두 최신 기술 수준의 성능를 기록하여 임상적 관련성을 입증했다.