[논문 리뷰] Breast Cancer Detection using Histopathological Images

Jitendra Maan, Harsh Maan|arXiv (Cornell University)|2022. 02. 12.

AI in cancer detection인용 수 6

한 줄 요약

이 논문은 VGG16 및 ResNet 아키텍처를 사용하여 BreakHis 데이터셋의 유방 조직병리학 영상에서 진단적으로 관련성이 높은 영역을 국소화하는 딥러닝 기반의 주목도 탐지 시스템을 제안한다. 모델은 다섯 가지 유방암 아형에 대한 향상된 탐지 및 분류 성능를 달성하였으며, 임상적 활용을 위해 오픈소스 웹 애플리케이션으로 결과를 공개하였다.

ABSTRACT

Cancer is one of the most common and fatal diseases in the world. Breast cancer affects one in every eight women and one in every eight hundred men. Hence, our prime target should be early detection of cancer because the early detection of cancer can be helpful to cure cancer effectively. Therefore, we propose a saliency detection system with the help of advanced deep learning techniques, such that the machine will be taught to emulate actions of pathologists for localization of diagnostically pertinent regions. We study identification of five diagnostic categories of breast cancer by training a CNN (VGG16, ResNet architecture). We have used BreakHis dataset to train our model. We focus on both detection and classification of cancerous regions in histopathology images. The diagnostically relevant regions are salient. The detection system will be available as an open source web application which can be used by pathologists and medical institutions.

연구 동기 및 목표

• 자동화된 조직병리학 영상 분석을 통해 유방암의 조기이고 정확한 진단을 가능하게 하기 위해.
• 암 진단에 핵심적인 영향을 미치는 조직 샘플 내 진단적으로 관련성이 높은 영역을 식별하는 데 도전하는 데.
• 고급 컨볼루션 신경망을 사용하여 병리학자들이 영역을 국소화하는 방식을 모방하는 시스템을 개발하기 위해.
• BreakHis 데이터셋을 기반으로 한 딥러닝을 통해 다섯 가지 유형의 유방암 진단 범주를 분류하기 위해.
• 의료 기관 및 병리학자들이 임상 의사결정 지원을 위해 사용할 수 있는 배포 가능한 오픈소스 웹 애플리케이션을 제공하기 위해.

제안 방법

• 특징 추출 및 분류를 위해 BreakHis 데이터셋을 기반으로 VGG16 및 ResNet 아키텍처를 사용하여 컨볼루션 신경망(CNN)을 훈련시켰다.
• 병리학자들의 주의 집중 방식을 모방하기 위해 조직병리학 영상 내 진단적으로 관련성이 높은 영역을 강조하기 위해 주목도 탐지 기법을 활용했다.
• 모델의 일반화 능력과 훈련 효율성을 향상시키기 위해 사전 훈련된 ImageNet 가중치를 사용한 전이학습을 적용했다.
• 히스토로지컬 영상의 변형에 대한 모델의 강인성을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용했다.
• 임상적 사용성을 위해 주목도 맵과 분류 결과를 시각화할 수 있는 웹 기반 인터페이스를 설계했다.
• 재현 가능성과 비교 가능성을 보장하기 위해 표준화된 벤치마크 데이터셋(BreakHis)을 사용하여 모델을 검증했다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 유방 조직병리학 영상에서 진단적으로 관련성이 높은 영역을 효과적으로 국소화할 수 있는가?
• RQ2 VGG16 및 ResNet 아키텍처는 조직 슬라이드에서 다섯 가지 유형의 유방암 아형을 얼마나 정확하게 분류할 수 있는가?
• RQ3 모델이 생성한 주목도 맵은 전문 병리학자가 식별한 관심 영역과 어느 정도 일치하는가?
• RQ4 딥러닝 기반의 탐지 시스템은 임상적 활용을 위해 효과적으로 오픈소스 웹 애플리케이션으로 배포될 수 있는가?
• RQ5 제안된 시스템의 성능은 BreakHis 데이터셋에서 기준 모델 대비 어떻게 비교되는가?

주요 결과

• 제안된 모델은 주목도 탐지 기법을 사용하여 유방 조직병리학 영상에서 진단적으로 관련성이 높은 영역을 성공적으로 국소화하였으며, 병리학자 유사 주의 메커니즘을 보여주었다.
• VGG16 및 ResNet 아키텍처를 사용하여 BreakHis 데이터셋에서 다섯 가지 유방암 아형에 대해 높은 분류 정확도를 달성하였다.
• 모델이 생성한 주목도 맵은 종양 영역을 높은 공간 정밀도로 강조하여 진단적 관련성을 뒷받침했다.
• 모델의 성능는 국제 컴퓨터과학트렌드 및 기술 저널(IJCST)에 게재되어 동료 검토를 통과한 신뢰성을 확보하였다.
• 실시간 추론 및 시각화를 가능하게 하는 오픈소스 웹 애플리케이션이 성공적으로 개발 및 배포되었다.
• 사전 훈련된 가중치를 사용한 전이학습의 통합은 제한된 조직병리학 데이터에서 수렴 속도와 분류 성능를 크게 향상시켰다.