[논문 리뷰] C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification

Hosein Barzekar, Zeyun Yu|arXiv (Cornell University)|2020. 10. 30.

AI in cancer detection참고 문헌 51인용 수 4

한 줄 요약

이 논문은 생물의학 영상 분류를 향상시키기 위해 여러 네트워크인 외부, 중간, 내부 네트워크를 연결하는 C-Net이라는 새로운 딥 컨volution 신경망을 제안한다. 외부 및 중간 단계에서 기능을 추출하는 6개의 네트워크를 사용하여 내부 분류기로 입력하여, BreakHis 데이터셋에서 평균 정확도 99.34%와 F1 스코어 99.52%를 달성했으며, Osteosarcoma 데이터셋에서는 정밀도 100%와 오분류 0건을 기록하여 모든 지표에서 이전 모델을 능가한다.

ABSTRACT

Cancers are the leading cause of death in many countries. Early diagnosis plays a crucial role in having proper treatment for this debilitating disease. The automated classification of the type of cancer is a challenging task since pathologists must examine a huge number of histopathological images to detect infinitesimal abnormalities. In this study, we propose a novel convolutional neural network (CNN) architecture composed of a Concatenation of multiple Networks, called C-Net, to classify biomedical images. The model incorporates multiple CNNs including Outer, Middle, and Inner. The first two parts of the architecture contain six networks that serve as feature extractors to feed into the Inner network to classify the images in terms of malignancy and benignancy. The C-Net is applied for histopathological image classification on two public datasets, including BreakHis and Osteosarcoma. To evaluate the performance, the model is tested using several evaluation metrics for its reliability. The C-Net model outperforms all other models on the individual metrics for both datasets and achieves zero misclassification. This approach has the potential to be extended to additional classification tasks, as experimental results demonstrate utilizing extensive evaluation metrics.

연구 동기 및 목표

• 암 진단에서 조직병리학적 영상의 정확하고 신뢰할 수 있는 자동 분류 문제를 해결하기 위해.
• 이미지 이질성, 염색 변동성, 저대비 또는 복잡한 조직 구조에서의 기능 추출에 어려움을 겪는 기존 CNN 아키텍처의 한계를 극복하기 위해.
• 다양한 데이터셋, 배율 수준, 질병 유형에 걸쳐 잘 일반화되는 강력한 딥 러닝 모델을 개발하기 위해.
• 정확도 외에도 F1 스코어, MCC, 정밀도, 재현율, 특이도와 같은 포괄적인 지표 세트를 사용하여 모델을 평가하기 위해.
• 의료 영상에서 기능 추출과 분류 신뢰도 향상을 위해 연결된 다중 네트워크 아키텍처의 잠재력을 입증하기 위해.

제안 방법

• C-Net는 세 가지 주요 구성 요소인 외부, 중간, 내부 네트워크로 구성된 계층적 아키텍처를 사용하며, 외부 및 중간 네트워크는 기능 추출기로 기능한다.
• 외부 및 중간 네트워크는 각각 입력 조직병리학적 영상에서 다중 척도 및 다중 수준의 기능 추출을 가능하게 하는 6개의 병렬 네트워크 인 네트워크(NIN) 모듈을 포함한다.
• 외부 및 중간 네트워크의 특징이 결합되어 내부 네트워크로 입력되며, 이는 양성 및 악성 종양 간의 최종 이진 분류를 수행한다.
• 모델은 교차 엔트로피 손실을 사용하여 훈련하는 표준 딥 러닝 구성 요소인 컨볼루션 레이어, 배치 정규화, ReLU 활성화 함수, 글로벌 평균 풀링을 사용한다.
• 아키텍처는 두 개의 공개 데이터셋인 BreakHis(40X–400X 배율의 7,909장의 유방암 영상) 및 Osteosarcoma(1,144장의 고해상도 1024×1024 영상)에서 엔드 투 엔드로 훈련된다.
• 정확도, F1 스코어, 매튜스 상관계수(MCC), 정밀도, 재현율, 특이도와 같은 다수의 지표를 사용하여 평가가 수행되어 신뢰성과 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 기존의 딥 CNN과 비교해 병렬 다중 네트워크 아키텍처가 생물의학 영상 분석에서 기능 표현과 분류 성능을 향상시키는가?
• RQ2 BreakHis 데이터셋에서 C-Net은 다양한 배율 수준에서 재현율과 F1 스코어 측면에서 어떻게 성능을 내는가?
• RQ3 C-Net은 BreakHis 및 Osteosarcoma 데이터셋에서 최신 기술 모델과 비교해 오분류율을 얼마나 줄였는가?
• RQ4 병렬 기능 추출기(외부 및 중간 네트워크)의 사용이 다양한 조직병리학적 영상 조건에서 더 높은 강건성과 일반화 능력을 가져오는가?
• RQ5 제안된 아키텍처는 예측 가능한 종양을 탐지하는 데 있어 도전적인 생물의학 분류 과제에서 거의 완벽한 성능을 달성할 수 있는가?

주요 결과

• C-Net은 BreakHis 데이터셋에서 평균 정확도 99.34%를 기록했으며, 문헌에 보고된 이전 최고 평균 정확도보다 1.71% 높았다.
• BreakHis에서 모델은 평균 F1 스코어 99.52%를 달성했으며, 이는 이전 최고 평균 F1 스코어 97.67%보다 1.85%p 높은 성과였다.
• BreakHis 데이터셋의 40X 및 400X 배율 수준에서 모델은 100% 재현율을 기록하여 악성 종양을 놓친 사례가 없음을 나타냈다.
• Osteosarcoma 데이터셋에서 C-Net은 두 가지 분류 카테고리(NCT 대 VT, VT 대 NT)에서 정밀도 100%를 기록했으며, 모든 카테고리 평균 정밀도 98.25%를 달성했다.
• Osteosarcoma 데이터셋에서 모델은 특이도 99.18%를 기록했으며, 문헌에 보고된 이전 최고 결과보다 5.35% 높았다.
• C-Net은 BreakHis의 200X 영상에서 MCC 99.23%를 기록했으며, 평가된 모든 모델 중에서 가장 높았고, 모든 배율 수준에서 총 8건의 오분류만 기록하여 뛰어난 신뢰성을 입증했다.