[논문 리뷰] Cascaded Neural Networks with Selective Classifiers and its evaluation using Lung X-ray CT Images

Masaharu Sakamoto, Hiroki Nakano|arXiv (Cornell University)|2016. 11. 22.

COVID-19 diagnosis using AI참고 문헌 5인용 수 6

한 줄 요약

이 논문은 흉부 CT 영상에서 폐결절 검출 시 발생하는 클래스 불균형 문제를 해결하기 위해 선택적 분류기를 사용한 계층적 딥러닝 프레임워크를 제안한다. 먼저 계층적인 합성곱 신경망을 통해 명백한 비결절을 걸러내고, 잔여 후보자들에 대해 균형 잡힌 고감도 분류기를 적용함으로써, FROC 평가에서 1장당 1개의 가짜 양성 결과에서 85.3%의 감도를 달성하였으며, 4개의 가짜 양성 결과에서는 90.7%의 감도를 기록하여 희귀 결절의 검출 성능을 크게 향상시켰다.

ABSTRACT

Lung nodule detection is a class imbalanced problem because nodules are found with much lower frequency than non-nodules. In the class imbalanced problem, conventional classifiers tend to be overwhelmed by the majority class and ignore the minority class. We therefore propose cascaded convolutional neural networks to cope with the class imbalanced problem. In the proposed approach, cascaded convolutional neural networks that perform as selective classifiers filter out obvious non-nodules. Successively, a convolutional neural network trained with a balanced data set calculates nodule probabilities. The proposed method achieved the detection sensitivity of 85.3% and 90.7% at 1 and 4 false positives per scan in FROC curve, respectively.

연구 동기 및 목표

• 폐결절 검출에서 결절이 비결절에 비해 희귀하기 때문에 발생하는 클래스 불균형 문제를 해결하기 위해.
• 기존 분류기들이 자주 놓치는 작은, 희귀한 결절의 검출 감도를 향상시키기 위해.
• 명백한 비결절을 걸러내기 전에 잔여 후보자들에 대해 고정밀도이자 균형 잡힌 분류기를 적용하는 계층적 딥러닝 아키텍처를 개발하기 위해.
• 표준 FROC 지표를 사용하여 실제 세계의 폐 X선 CT 영상 데이터에 대해 방법을 평가하기 위해.

제안 방법

• 프레임워크는 계층적 아키텍처를 사용한다: 첫 번째 단계에서는 선택적 분류기로 사용되는 합성곱 신경망이 명백한 비결절 후보를 거부한다.
• 두 번째 단계에서는 균형 잡힌 분포를 가진 데이터셋으로 훈련된 별도의 균형 잡힌 합성곱 신경망을 사용하여 결절 확률을 추정한다.
• 첫 번째 단계의 네트워크는 후보 영역 수를 줄여 계산 부담을 감소시키고, 모호하거나 결절 유사 영역에 집중한다.
• 최종 검출 결정은 두 번째 단계의 네트워크 출력에 기반한다. 이는 소수의(결절) 클래스에 대해 고감도를 최적화하기 위해 설계되었다.
• 제한된 의료 영상 데이터에서 일반화 능력을 향상시키기 위해 전이 학습과 데이터 증강을 활용한다.
• 전체 시스템은 폐결절 검출 작업에서 표준으로 사용되는 FROC(자유 응답 ROC) 지표를 사용하여 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 기존 분류기들과 비교해 볼 때, 계층적 딥러닝 아키텍처는 희귀 폐결절 검출의 감도를 향상시킬 수 있는가?
• RQ2 첫 번째 단계에서 선택적 분류기를 사용해 비결절을 걸러내고 가짜 양성 결과를 줄이는 데 얼마나 효과적인가?
• RQ3 균형 잡힌 데이터셋으로 두 번째 단계 네트워크를 훈련시키는 것이 불균형 데이터에서의 검출 성능 향상에 어느 정도 기여하는가?
• RQ4 임상 평가에서 계층적 접근 방식은 가짜 양성 비율을 줄이면서도 높은 감도를 유지하는가?
• RQ5 실제 폐 CT 데이터에서 제안된 방법은 기준 모델 대비 FROC 성능에서 어떻게 비교되는가?

주요 결과

• 제안된 방법은 FROC 평가에서 1장당 1개의 가짜 양성 결과에서 85.3%의 감도를 달성하였다.
• 4개의 가짜 양성 결과에서는 감도가 90.7%로 상승하여 희귀 결절 검출에서 뛰어난 성능을 보였다.
• 계층적 설계 덕분에 기존 분류기들이 자주 놓치는 작은, 저대비 결절의 검출 성능이 크게 향상되었다.
• 두 번째 단계에서 균형 잡힌 훈련 세트를 사용함으로써 모델이 소수의(결절) 케이스를 과적합 없이도 탐지할 수 있는 능력이 향상되었다.
• 첫 번째 단계에서의 선택적 필터링은 후보 영역 수를 줄여 추론 효율성을 향상시키고 고위험 영역에 집중하게 했다.
• 결과적으로 계층적 네트워크와 선택적 분류기는 의료 영상 분석에서 클래스 불균형 문제를 다루는 데 효과적임을 보여주었다.