[논문 리뷰] Capsule Networks for Brain Tumor Classification based on MRI Images and Course Tumor Boundaries

Parnian Afshar, Konstantinos N. Plataniotis외 1명|arXiv (Cornell University)|2018. 11. 01.

Brain Tumor Detection and Classification인용 수 15

한 줄 요약

이 논문은 뇌 MRI 영상에서 종양 분류 성능을 향상시키기 위해 원시 MRI 뇌 영상 외에 굵은 종양 경계를 추가 입력으로 통합한 수정된 캡슐 네트워크(CapsNet) 아키텍처를 제안한다. 경계의 공간적 맥락을 통해 공간 인식 능력을 향상시킴으로써, 정밀한 종양 세분화에 의존도를 줄이며 90.89%의 정확도를 달성하였으며, 이는 표준 CapsNet 및 CNN보다 유의하게 뛰어나다.

ABSTRACT

According to official statistics, cancer is considered as the second leading cause of human fatalities. Among different types of cancer, brain tumor is seen as one of the deadliest forms due to its aggressive nature, heterogeneous characteristics, and low relative survival rate. Determining the type of brain tumor has significant impact on the treatment choice and patient's survival. Human-centered diagnosis is typically error-prone and unreliable resulting in a recent surge of interest to automatize this process using convolutional neural networks (CNNs). CNNs, however, fail to fully utilize spatial relations, which is particularly harmful for tumor classification, as the relation between the tumor and its surrounding tissue is a critical indicator of the tumor's type. In our recent work, we have incorporated newly developed CapsNets to overcome this shortcoming. CapsNets are, however, highly sensitive to the miscellaneous image background. The paper addresses this gap. The main contribution is to equip CapsNet with access to the tumor surrounding tissues, without distracting it from the main target. A modified CapsNet architecture is, therefore, proposed for brain tumor classification, which takes the tumor coarse boundaries as extra inputs within its pipeline to increase the CapsNet's focus. The proposed approach noticeably outperforms its counterparts.

연구 동기 및 목표

• 종양과 주변 조직 간의 공간적 관계를 포착하지 못하는 CapsNet의 한계를 해결함으로써 정확한 분류에 기여하는 데 목적이 있다.
• MRI 영상에서 배경 잡음에 민감한 CapsNet의 문제를 해결하기 위해 굵은 종양 경계를 보조 입력으로 통합함으로써 개선하고자 한다.
• 임상적 실무에서 시간이 많이 소요되고 관찰자 간 변동성이 큰 정밀한 종양 세분화의 필요성을 제거하고자 한다.
• 경계 기반 라우팅을 통해 공간적 맥락을 활용하여 기존 CNN 및 CapsNet 변종보다 분류 성능을 향상시키고자 한다.
• 의료 진단에서 신뢰할 수 있고 설명 가능한 예측이 필수적인 만큼, 모델의 강건성과 해석 가능성 향상을 목적으로 한다.

제안 방법

• 원시 MRI 뇌 영상과 굵은 종양 경계 마스크를 이중 입력으로 사용하는 수정된 CapsNet 아키텍처를 도입한다.
• 하위 레벨 캡슐이 상위 레벨 캡슐 출력을 예측할 수 있도록 협의 기반 라우팅 메커니즘을 사용하여 관련 공간적 특징에 대한 주의를 향상시킨다.
• 병합 또는 주의 게이트를 통해 경계 정보를 통합하여 네트워크의 초점을 종양-조직 상호작용에 유도한다.
• 캡슐 마진 손실(Eq. 7)과 교차 엔트로피 손실(Eq. 8)을 조합한 하이브리드 손실 함수를 사용하며, 기여도를 균형 잡기 위해 γ = 0.1로 가중한다.
• 에포크 수 50, 배치 크기 16, 3회 라우팅 반복을 사용하여 Adam 옵timizer를 통해 네트워크를 엔드 투 엔드로 훈련시킨다.
• 3064장의 MRI 데이터셋에서 일반화 및 훈련 안정성을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용한다.

실험 결과

연구 질문

• RQ1 원시 MRI 스캔에서 뇌 종양을 분류하는 데 있어 굵은 종양 경계를 통합하면 CapsNet의 성능 향상에 기여하는가?
• RQ2 제안된 경계 보강 CapsNet은 기존 방법에 비해 정밀한 종양 세분화에 대한 의존도를 줄이는가?
• RQ3 정확도와 강건성 측면에서 제안된 CapsNet은 표준 CapsNet 및 CNN과 비교해 어떻게 성능을 내는가?
• RQ4 종양 경계에서 유도된 공간적 맥락의 통합이 모델이 다양한 종양 유형을 구분하는 데 얼마나 기여하는가?
• RQ5 의료 영상에서 분류 정확도를 향상시키는 동시에 수정된 CapsNet은 높은 해석 가능성 유지가 가능한가?

주요 결과

• 제안된 CapsNet 아키텍처는 MRI 영상과 굵은 종양 경계 마스크를 모두 입력으로 제공받아 90.89%의 분류 정확도를 달성하였으며, 모든 기준 모델을 능가하였다.
• 경계 입력을 통한 수정된 CNN(88.33% 정확도)보다 2.56%포인트 높은 성능을 기록하였다.
• 단지 세분화된 종양을 입력으로 사용한 CapsNet은 86.56%의 정확도를 기록하였으며, 이는 경계 맥락이 성능 향상에 중대한 기여를 한다는 것을 시사한다.
• 원시 MRI 영상만을 사용한 표준 CapsNet은 78%의 정확도를 기록하였으며, 이는 종양 분류에 공간적 맥락이 필수적임을 강조한다.
• 원시 MRI 영상만을 사용한 CNN 기준 모델은 정확도가 61.97%에 머물러, 제안된 CapsNet 설계의 우수성을 입증한다.
• γ = 0.1로 설정된 하이브리드 손실 함수(Eq. 8)는 캡슐 손실과 소프트맥스 손실 간의 기여도를 효과적으로 균형 잡아 안정적이고 정확한 훈련에 기여하였다.