[논문 리뷰] Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures

Brennon Maistry, Absalom E. Ezugwu|arXiv (Cornell University)|2023. 05. 31.

AI in cancer detection인용 수 5

한 줄 요약

이 연구는 병변 조직도상 영상에서 유방암 검출을 위한 최신 딥러닝 아키텍처, 특히 비전 트랜스포머(ViT)와 컨volution 신경망(CNNs)을 평가한다. 데이터 증강 및 전처리 기법을 활용하여 ViT는 95.15%의 최고 정확도를 기록했으며, 기존 CNN보다 뛰어난 성능을 보였으며, 이는 자원이 제한된 환경에서 컴퓨터 보조 진단을 향상시키는 데 잠재력을 보여준다.

ABSTRACT

Breast cancer is a prevalent form of cancer among women, with over 1.5 million women being diagnosed each year. Unfortunately, the survival rates for breast cancer patients in certain third-world countries, like South Africa, are alarmingly low, with only 40% of diagnosed patients surviving beyond five years. The inadequate availability of resources, including qualified pathologists, delayed diagnoses, and ineffective therapy planning, contribute to this low survival rate. To address this pressing issue, medical specialists and researchers have turned to domain-specific AI approaches, specifically deep learning models, to develop end-to-end solutions that can be integrated into computer-aided diagnosis (CAD) systems. By improving the workflow of pathologists, these AI models have the potential to enhance the detection and diagnosis of breast cancer. This research focuses on evaluating the performance of various cutting-edge convolutional neural network (CNN) architectures in comparison to a relatively new model called the Vision Trans-former (ViT). The objective is to determine the superiority of these models in terms of their accuracy and effectiveness. The experimental results reveal that the ViT models outperform the other selected state-of-the-art CNN architectures, achieving an impressive accuracy rate of 95.15%. This study signifies a significant advancement in the field, as it explores the utilization of data augmentation and other relevant preprocessing techniques in conjunction with deep learning models for the detection and diagnosis of breast cancer using datasets of Breast Cancer Histopathological Image Classification.

연구 동기 및 목표

• 남아프리카공화국와 같은 자원이 제한된 국가에서 낮은 유방암 생존율을 해결하기 위해 인공지능을 통해 진단 정확도를 향상시키기 위해.
• 최신 딥러닝 모델, 특히 비전 트랜스포머(ViT)와 CNN을 활용해 병변 조직도상 영상에서 유방암을 검출하는 성능을 평가하기 위해.
• 데이터 증강 및 전처리 기법이 의료 영상 분류 작업에서 모델 성능에 미치는 영향을 평가하기 위해.
• ViT가 기존 CNN 아키텍처보다 정확도와 효과성 측면에서 유방암 진단에 더 뛰어난 성능을 보이는지 확인하기 위해.
• 임상 워크플로우에 통합 가능한 강력하고 종단 간(end-to-end) AI 솔루션 개발에 기여하기 위해.

제안 방법

• 이 연구는 비전 트랜스포머(ViT)와 최신 CNN 아키텍처를 포함한 여러 최신 딥러닝 아키텍처를 비교 평가하는 방식을 사용한다.
• 표준화된 유방암 병변 조직도상 영상 데이터셋을 사용하였으며, 정규화 및 크기 조정 등의 전처리 절차를 적용하였다.
• 모델 일반화 능력 향상과 과적합 방지를 위해 데이터 증강 기법을 구현하였다.
• 모델의 성능 추정을 신뢰할 수 있도록 교차 검증 프로토콜을 사용하여 훈련 및 검증을 수행하였다.
• 표준 평가 지표를 사용하여 성능을 평가하였으며, 정확도를 주요 기준으로 삼았다.
• 비전 트랜스포머(ViT)는 이미지 패치 간 장거리 상관관계를 포착하기 위해 자기주의(self-attention) 메커니즘을 활용하여 데이터셋에 맞게 미세조정(fine-tuned)되었다.

실험 결과

연구 질문

• RQ1 비전 트랜스포머(ViT)는 병변 조직도상 영상 분류에서 최신 CNN 아키텍처보다 더 높은 정확도를 달성하는가?
• RQ2 데이터 증강 및 전처리 기법은 딥러닝 모델의 유방암 검출 성능에 어떤 영향을 미치는가?
• RQ3 자원이 제한된 의료 환경에서 흔히 볼 수 있는 제한된 의료 영상 데이터셋에서 ViT는 CNN보다 더 우수한 일반화 성능을 보이는가?
• RQ4 주의 기반 모델(ViT)과 컨볼루션 기반 모델 간의 비교적 효과성은 병변 조직 샘플에서 유방암을 검출하는 데 어떻게 나타나는가?
• RQ5 종단 간 딥러닝 모델은 진단 정확도를 얼마나 향상시키며, 임상 의사의 의사결정 지원에 얼마나 기여하는가?

주요 결과

• 비전 트랜스포머(ViT)는 평가된 모든 모델 중에서 가장 높은 정확도인 95.15%를 기록했으며, 선택된 모든 CNN 아키텍처를 앞섰다.
• 데이터 증강은 특히 제한된 또는 불균형적인 데이터셋에서 자주 발생하는 문제에 대비해 모델의 일반화 능력을 크게 향상시켰다.
• ViT는 자기주의 메커니즘을 통해 병변 조직도상 영상의 복잡한 공간 패턴을 뛰어나게 포착하는 데 뛰어난 성능을 보였다.
• 이 연구는 ViT가 병변 조직도상 영상에서 유방암 검출에 있어 기존 CNN의 효과적인 대안이 될 수 있음을 확인하였다.
• 전처리 및 데이터 증강 기법의 통합은 이 작업에서 딥러닝 모델의 강건성과 신뢰성에 상당한 기여를 하였다.
• 결과적으로 ViT 기반 모델은 자원이 제한된 환경에서 특히 경로학자들을 지원하기 위해 컴퓨터 보조 진단(CAD) 시스템에 효과적으로 구현될 수 있음을 시사한다.