[논문 리뷰] Breast Cancer Segmentation using Attention-based Convolutional Network and Explainable AI

Jai Vardhan, Ghanta Sai Krishna|arXiv (Cornell University)|2023. 05. 22.

Infrared Thermography in Medicine인용 수 8

한 줄 요약

논문은 초음파 이미지에서 유방암 분할을 위한 주의 기반 UNet 아키텍처를 제안하며 CLAHE 전처리 및 Grad-CAM으로 모델 초점을 분석하는 설명 가능한 AI를 강화하여 경쟁력 있는 정확도와 IoU를 달성한다.

ABSTRACT

Breast cancer (BC) remains a significant health threat, with no long-term cure currently available. Early detection is crucial, yet mammography interpretation is hindered by high false positives and negatives. With BC incidence projected to surpass lung cancer, improving early detection methods is vital. Thermography, using high-resolution infrared cameras, offers promise, especially when combined with artificial intelligence (AI). This work presents an attention-based convolutional neural network for segmentation, providing increased speed and precision in BC detection and classification. The system enhances images and performs cancer segmentation with explainable AI. We propose a transformer-attention-based convolutional architecture (UNet) for fault identification and employ Gradient-weighted Class Activation Mapping (Grad-CAM) to analyze areas of bias and weakness in the UNet architecture with IRT images. The superiority of our proposed framework is confirmed when compared with existing deep learning frameworks.

연구 동기 및 목표

• 자동화된 유방암 탐지 및 분할을 촉진하여 맘모그래피 및 초음파 영상에서 해석 오해를 줄인다.
• ROI 추출 개선을 위한 주의 기반 CNN과 이미지 향상 기법을 결합한 분할 프레임워크를 개발한다.
• 초음파 기반 BC 분할에서 모델 결정의 시각화 및 이해를 위한 설명 가능한 AI를 도입한다.

제안 방법

• CLAHE를 통한 히스토그램 평활화를 사용하여 초음파 이미지를 향상시키고 관심 영역을 추출한다.
• 주의 메커니즘(Attention Gate)을 갖춘 엔코더-디코더 아키텍처를 기반으로 한 UNet를 채택하여 분할 품질을 향상시킨다.
• 성능을 향상시키기 위해 분할 프레임워크에 Vision Transformer(ViT) 요소를 통합한다.
• IoU, Loss, Accuracy, Precision, Recall, F1-Score 등 표준 지표로 분할을 평가하고 XAI 분석을 위해 Grad-CAM을 활용한다.
• 제안된 AttentionUNet를 BC 데이터셋에서 최첨단 딥러닝 프레임워크와 비교한다.

Figure 1: Conceptual Diagram of proposed architecture

실험 결과

연구 질문

• RQ1 주의가 강화된 UNet가 표준 아키텍처에 비해 초음파 이미지에서 유방암 분할을 개선할 수 있는가?
• RQ2 CLAHE 기반 전처리가 소음이 많은 초음파 데이터에서 ROI 추출 및 분할 성능을 개선하는가?
• RQ3 Grad-CAM이 모델 초점 영역에 대한 의미 있는 설명을 제공하여 인공지능 기반 분할에 대한 임상 신뢰를 뒷받침할 수 있는가?

주요 결과

• 최대 학습 정확도는 95%로 보고되었고 최대 검증 정확도는 99%이다.
• 모델은 12에폭 이후 강력한 분할 성능을 보이며 높은 IoU와 견고한 학습 곡선을 나타낸다.
• Grad-CAM 분석은 모델 영역을 점검하는 데 사용되어 분할 결정의 설명가능성을 뒷받침한다.
• 제안된 아키텍처는 BC 초음파 데이터셋에서 기존의 일부 딥러닝 프레임워크보다 더 빠르고 정밀하다고 주장된다.
• 정성적 결과는 모델이 어두운 영역을 효과적으로 감지할 수 있지만 불규칙한 모양에서는 어려움을 겪을 수 있어 더 긴 학습, 에폭을 나눠 학습 등의 조정이 필요함을 시사한다.

Figure 2: Three classes of the dataset (a) Benign (b) Malignant (c) Normal