[논문 리뷰] Breast Cancer Detection Using Convolutional Neural Networks

Simon Hadush, Yaecob Girmay외 2명|arXiv (Cornell University)|2020. 03. 17.

AI in cancer detection참고 문헌 21인용 수 16

한 줄 요약

이 연구는 에티오피아 병원에서 수집한 국지적 데이터셋을 바탕으로 유방 조영촬영에서 유방 종양을 자동으로 탐지하고 분류하기 위한 Faster R-CNN 기반의 합성곱 신경망(CNN)을 제안한다. 이 모델은 특징 추출, 영역 제안, ROI 풀링을 통합하며, 검출 정확도 91.86%, 민감도 94.67%, AUC-ROC 92.2%를 달성하여 VGG 기반의 Faster R-CNN 기준선보다 유의하게 뛰어나다.

ABSTRACT

Breast cancer is prevalent in Ethiopia that accounts 34% among women cancer patients. The diagnosis technique in Ethiopia is manual which was proven to be tedious, subjective, and challenging. Deep learning techniques are revolutionizing the field of medical image analysis and hence in this study, we proposed Convolutional Neural Networks (CNNs) for breast mass detection so as to minimize the overheads of manual analysis. CNN architecture is designed for the feature extraction stage and adapted both the Region Proposal Network (RPN) and Region of Interest (ROI) portion of the faster R-CNN for the automated breast mass abnormality detection. Our model detects mass region and classifies them into benign or malignant abnormality in mammogram(MG) images at once. For the proposed model, MG images were collected from different hospitals, locally.The images were passed through different preprocessing stages such as gaussian filter, median filter, bilateral filters and extracted the region of the breast from the background of the MG image. The performance of the model on test dataset is found to be: detection accuracy 91.86%, sensitivity of 94.67% and AUC-ROC of 92.2%.

연구 동기 및 목표

• 에티오피아에서 유방암 진단 시 높은 오진률과 장기적인 보고 지연이 발생하는 문제를 해결하기 위해, 수동 해석에 의존할 경우 10–30%의 오류율이 발생함을 고려한다.
• 디지털 유방 조영촬영에서 유방 종양을 양성 또는 악성으로 탐지하고 분류하는 자동화된 딥 러닝 시스템을 개발한다.
• 미래의 저자원 환경 연구를 지원하기 위해, 에티오피아 병원에서 수집한 공개 가능한 국지적 데이터셋을 제공한다.
• 조기 진단 정확도를 향상시키고, 저소득 국가에서 주관적이고 시간이 오래 소요되는 수동 분석에 대한 의존도를 줄인다.

제안 방법

• 기본 VGG 백본을 대체하기 위해 특징 추출을 위한 맞춤형 CNN 아키텍처를 설계하였다.
• Faster R-CNN의 영역 제안 네트워크(RPN) 및 ROI 풀링 구성 요소를 수정하여 유방 종양에 대한 엔드 투 엔드 객체 탐지에 적합하게 조정하였다.
• 이미지 전처리에는 가우시안, 메디안, 양방향 필터링을 적용한 후, 배경에서 유방 영역을 분할하였다.
• 과적합 방지를 위해 데이터 증강과 배치 정규화를 적용하였다.
• 모델은 방사선 전문의가 레이블링한 바운딩 박스가 포함된 1588장의 이미지 데이터셋을 80% 훈련, 10% 검증, 10% 테스트로 나누어 훈련 및 검증하였다.
• 기본 네트워크, RPN, ROI 레이어의 하이퍼파라미터를 조정하여 탐지 및 분류 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 저자원 환경인 에티오피아 의료 기관에서 유방 조영촬영 영상에서 유방 종양을 탐지하고 분류하는 Faster R-CNN 기반의 CNN 모델이 높은 정확도를 달성할 수 있는가?
• RQ2 제안된 모델의 성능은 검출 정확도, 민감도, AUC-ROC 측면에서 VGG 기반의 Faster R-CNN 기준선과 비교해 어떻게 다를까?
• RQ3 병원 간 영상 장비, 조명, 촬영 설정의 차이가 모델의 일반화 능력과 분류 신뢰성에 어떤 영향을 미치는가?
• RQ4 낮은 교차율(Intersection over Union, IoU) 임계값에서 모델이 소규모 유방 종양 이상을 얼마나 정확하게 국소화할 수 있는가?
• RQ5 배치 정규화와 드롭아웃 레이어의 통합이 제한적이고 이질적인 데이터셋에서 과적합을 줄이고 모델의 강건성을 향상시키는 데 얼마나 효과적인가?

주요 결과

• 제안된 모델은 테스트 데이터셋에서 검출 정확도 91.86%를 기록하여 VGG 기반의 Faster R-CNN 기준선(84.88%)보다 유의미하게 뛰어나다.
• 모델은 민감도(재현율) 94.67%를 보이며, 악성 종양을 정확히 식별할 수 있는 능력을 입증한다.
• Receiver Operating Characteristic 곡선 아래 면적(AUC-ROC)은 92.2%에 도달하여, VGG 기반 모델(84.3%)에 비해 우수한 분류 성능을 보였다.
• IoU 임계값 0.25에서 모델은 94.2%의 교차율을 기록하여 소규모 종양 이상의 국소화 정확도가 매우 높음을 나타낸다.
• 제안된 모델은 1588개의 테스트 케이스 중 14개만 잘못 분류했고, VGG 기반 기준선은 26개를 잘못 분류하여 더 높은 강건성을 입증하였다.
• 배치 정규화와 드롭아웃 레이어의 사용은 과적합과 내부 공변량 이동을 효과적으로 완화하여 이질적인 데이터에서의 일반화 능력을 향상시켰다.