[논문 리뷰] Classifying Symmetrical Differences and Temporal Change in Mammography Using Deep Neural Networks

Thijs Kooi, Nico Karssemeijer|arXiv (Cornell University)|2017. 03. 22.

AI in cancer detection인용 수 3

한 줄 요약

이 논문은 이중 스트림 컨volution 신경망(CNN)을 사용하여 대조성과 시간적 맥락을 통합함으로써 유방 조영 검사에서 종양의 탐지 성능을 향상시키는 딥 러닝 프레임워크를 제안한다. 이중 스트림 모델은 대조성과 주요 영상의 조기 융합 전략과 단계별 특징 추출 전략을 비교하여, 대조성 분석에 대해 AUC 0.895, 시간적 변화 분석에 대해 AUC 0.884를 달성하였으며, 대조성 탐지에서 기준 모델 대비 통계적으로 유의미한 향상을 보였다.

ABSTRACT

We investigate the addition of symmetry and temporal context information to a deep Convolutional Neural Network (CNN) with the purpose of detecting malignant soft tissue lesions in mammography. We employ a simple linear mapping that takes the location of a mass candidate and maps it to either the contra-lateral or prior mammogram and Regions Of Interest (ROI) are extracted around each location. We subsequently explore two different architectures (1) a fusion model employing two datastreams were both ROIs are fed to the network during training and testing and (2) a stage-wise approach where a single ROI CNN is trained on the primary image and subsequently used as feature extractor for both primary and symmetrical or prior ROIs. A 'shallow' Gradient Boosted Tree (GBT) classifier is then trained on the concatenation of these features and used to classify the joint representation. Results shown a significant increase in performance using the first architecture and symmetry information, but only marginal gains in performance using temporal data and the other setting. We feel results are promising and can greatly be improved when more temporal data becomes available.

연구 동기 및 목표

• 유방 조영 검사에서 악성 종양의 컴퓨터 보조 진단(CAD) 성능을 향상시키기 위해 대조성과 시간적 맥락을 통합하고자 한다.
• 딥 신경망이 대조성 유방 영상과 이전 유방 조영 영상을 효과적으로 학습하여 병변 탐지 성능을 향상시킬 수 있는지 조사하고자 한다.
• 딥 러닝 프레임워크에서 대조성과 시간적 정보를 융합하기 위한 두 가지 다른 융합 아키텍처를 평가하고자 한다.
• 다중 시점 및 종단적 데이터의 통합이 기준 모델 대비 진단 성능 향상에 측정 가능한 기여를 하는지 확인하고자 한다.
• 스크리닝 유방 조영 검사에서 비대칭성과 변화를 악성 종양의 지표로 모델링하기 위해 딥 러닝을 활용할 수 있는지 타당성을 탐색하고자 한다.

제안 방법

• 주요 영상 및 대조성 영상 또는 이전 검사에서 종양 후보 영역 주변의 관심 영역(ROIs)을 추출한다.
• 두 가지 다른 CNN 아키텍처를 사용한다: (1) 두 ROIs를 동시에 처리하는 이중 스트림 융합 모델, (2) 사전 학습된 CNN을 사용해 주요 및 대조성/이전 ROIs의 특징을 추출하는 단계별 모델.
• 두 스트림의 특징을 연결하여 양방향 표현을 생성하고, 얕은 기울기 부스팅 트리(GBT) 분류기를 이 조합된 표현에 대해 훈련시킨다.
• 대조성 영상과 이전 영상 간의 종양 위치를 일치시키기 위해 선형 매핑을 적용하여 일관된 ROI 추출을 가능하게 한다.
• 모든 네트워크를 새로 시작하여, 융합 전략과 아키텍처 선택에 대한 분석을 수행한다.
• 성능 향상의 유의미성을 평가하기 위해 신뢰구간과 통계적 검정(p-값)을 적용한다.

실험 결과

연구 질문

• RQ1 딥 신경망은 좌우 유방 간 대조성을 효과적으로 활용하여 유방 조영 검사에서 악성 종양의 탐지 성능을 향상시킬 수 있는가?
• RQ2 이전 유방 조영 영상의 시간적 변화를 통합하면 CAD 시스템의 악성 종양 탐지 성능이 향상되는가?
• RQ3 조기 융합 전략(이중 스트림 입력의 융합)과 단계별 특징 추출 전략 중 어느 것이 대조성 및 시간적 분석에서 더 높은 진단 성능을 낳는가?
• RQ4 대조성과 시간적 맥락의 통합으로 인한 성능 향상은 특히 높은 특이도에서 통계적으로 유의미한가?
• RQ5 더 많은 시간적 데이터가 가용할 경우 이러한 딥 러닝 모델의 확장성과 성능에 어떤 영향을 미칠 수 있는가?

주요 결과

• 이중 스트림 융합 모델은 대조성 분석에서 AUC 0.895를 달성하였으며, 기준 AUC 0.87보다 유의미하게 높았고(p = 0.02, 높은 특이도에서), 성능 향상이 확인되었다.
• 단계별 접근 방식은 대조성 분석에서 AUC 0.88을 기록하였으며, 기준 모델 대비 향상되었지만, 융합 모델만큼 뚜렷하지는 않았다.
• 시간적 변화 탐지에 대해선 이중 스트림 모델이 AUC 0.884를, 단계별 모델은 AUC 0.879를 기록하였으며, 모두 기준 모델 대비 일관되지만 유의미하지 않은 향상을 보였다.
• 결과는 대조성 기반 특징이 시간적 특징보다 더 큰 성능 향상을 제공하는 것으로 나타났으며, 이는 쌍방향 비교에서 더 풍부한 구조적 단서가 존재하기 때문일 것이다.
• 저자들은 시간적 분석에서의 성능 향상이 유망하지만 미미하며, 더 큰 데이터셋이 제공될 경우 크게 향상될 것으로 기대한다.
• 이 연구는 딥 러닝 모델이 다중 모odal 맥락 정보(대조성 및 시간)를 CAD 시스템에 효과적으로 통합할 수 있음을 보여주며, 의료 영상 분야에 광범위한 적용 가능성이 있다.