[논문 리뷰] Breast Mass Segmentation and Shape Classification in Mammograms Using Deep Neural Networks.

Vivek Kumar Singh, Hatem A. Rashwan외 9명|arXiv (Cornell University)|2018. 09. 05.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 유방 조영촬영에서 정확한 유방 종양 세분화를 위한 조건부 생성 적대 신경망(cGAN)을 제안하며, 딱지 계수(Dice coefficient) 94%와 IoU 87%를 달성하였고, CNN 기반의 형태 분류기 역시 네 가지 형태—비대칭, 낙엽형, 타원형, 원형—로 종양을 분류하는 데 80%의 정확도를 기록하여 공개 및 비공개 데이터셋에서 기존 최고 수준의 방법들을 능가함.

ABSTRACT

Mammogram analysis to manually extract breast masses is a tough assignment that radiologists must frequently carry out. Therefore, image analysis methods are needed for the detection and delineation of breast masses, which portray crucial morphological information that will support reliable diagnosis. In this paper, we proposed a conditional Generative Adversarial Network (cGAN) devised to segment a breast mass within a region of interest (ROI) in a mammogram. The generative network learns to recognize the breast mass area and to create the binary mask that outlines the breast mass. In turn, the adversarial network learns to distinguish between real (ground truth) and synthetic segmentations, thus enforcing the generative network to create binary masks as realistic as possible. The cGAN works well even when the number of training samples are limited. Therefore, the proposed method outperforms several state-of-the-art approaches. This hypothesis is corroborated by diverse experiments performed on two datasets, the public INbreast and a private in-house dataset. The proposed segmentation model provides a high Dice coefficient and Intersection over Union (IoU) of 94% and 87%, respectively. In addition, a shape descriptor based on a Convolutional Neural Network (CNN) is proposed to classify the generated masks into four mass shapes: irregular, lobular, oval and round. The proposed shape descriptor was trained on Digital Database for Screening Mammography (DDSM) yielding an overall accuracy of 80%, which outperforms the current state-of-the-art.

연구 동기 및 목표

• 유방 조영촬영에서 수작업으로 종양을 세분화하는 데 드는 시간과 실수의 문제를 해결하기 위해.
• 제한된 훈련 데이터로도 정확한 유방 종양 세분화를 수행할 수 있는 딥 러닝 모델을 개발하기 위해.
• 세분화된 종양을 네 가지 형태—비대칭, 낙엽형, 타원형, 원형—으로 분류하여 진단 지원을 향상시키기 위해.
• 기존 최고 수준의 방법들보다 세분화 및 형태 분류 성능에서 향상된 성능을 달성하기 위해.

제안 방법

• 조건부 GAN(cGAN)을 사용하여, 유방 조영촬영의 관심 영역(ROI)에서 종양의 윤곽을 나타내는 이진 마스크를 생성하는 생성자(generator)가 학습됨.
• 판별자(discriminator) 네트워크는 실제 진정 마스크와 생성자에 의해 생성된 가짜 마스크를 구분함으로써, 세분화 결과의 현실성에 대한 강제 조건을 제공함.
• cGAN은 제한된 훈련 샘플에도 불구하고 생성 마스크의 품질을 향상시키기 위해 적대적 손실을 사용하여 엔드 투 엔드로 훈련됨.
• 세분화 마스크를 네 가지 형태 유형으로 분류하기 위해 DDSM 데이터셋을 기반으로 별도의 CNN 기반 형태 기술자(shape descriptor)를 훈련함.
• 세분화 모델은 공개된 INbreast 및 내부 비공개 데이터셋을 사용하여 딱지 계수와 IoU 지표로 평가됨.
• 형태 분류 모델은 DDSM 데이터셋에서 전체 정확도를 평가하고, 기존 방법들과의 성능 비교를 수행함.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로도 cGAN 기반 접근 방식이 유방 조영촬영에서 종양 세분화에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 제안된 cGAN은 종양 세분화에서 기존 최고 수준의 방법들과 비교해 딱지 계수와 IoU 측면에서 어떻게 성능을 냈는가?
• RQ3 DDSM에서 훈련된 CNN 기반 형태 기술자가 기존 방법들보다 뛰어난 분류 정확도를 달성할 수 있는가?
• RQ4 세분화와 형태 분류의 통합이 유방 조영촬영의 진단 지원에 얼마나 기여하는가?

주요 결과

• 제안된 cGAN은 INbreast와 내부 데이터셋을 통합한 데이터셋에서 딱지 계수 94%와 교차율(Intersection over Union, IoU) 87%를 기록하여 높은 세분화 정확도를 입증함.
• 특히 데이터가 적은 환경에서 기존 최고 수준의 방법들보다 세분화 성능에서 뛰어난 성능을 보였음.
• CNN 기반 형태 기술자는 DDSM 데이터셋에서 전체 분류 정확도 80%를 기록하여 현재 최고 수준의 방법들을 능가함.
• 세분화 모델은 미세하거나 복잡한 종양 경계를 가진 다양한 유방 조영촬영 이미지에서도 강건성을 보였음.
• 세분화와 형태 분류의 통합은 방사선의학적 평가를 위한 종합적인 도구를 제공하여 조기이고 정확한 진단을 지원함.