[논문 리뷰] Comparative Analysis of Deep Learning Architectures for Breast Cancer Diagnosis Using the BreaKHis Dataset

İrem Sayın, Muhammed Ali Soydaş외 5명|arXiv (Cornell University)|2023. 09. 02.

AI in cancer detection인용 수 4

한 줄 요약

이 연구는 BreaKHis 데이터셋을 사용하여 유방암을 조직학적 영상에서 분류하기 위해 VGG, ResNet, Xception, Inception 및 InceptionResNet의 다섯 가지 딥러닝 아키텍처를 평가한다. Xception 모델이 89%의 정확도와 0.90의 F1 스코어를 기록하여 가장 높은 성능을 보였으며, 이는 딥러닝이 유방암 진단 정확도를 향상시키는 데 효과적임을 보여준다.

ABSTRACT

Cancer is an extremely difficult and dangerous health problem because it manifests in so many different ways and affects so many different organs and tissues. The primary goal of this research was to evaluate deep learning models' ability to correctly identify breast cancer cases using the BreakHis dataset. The BreakHis dataset covers a wide range of breast cancer subtypes through its huge collection of histopathological pictures. In this study, we use and compare the performance of five well-known deep learning models for cancer classification: VGG, ResNet, Xception, Inception, and InceptionResNet. The results placed the Xception model at the top, with an F1 score of 0.9 and an accuracy of 89%. At the same time, the Inception and InceptionResNet models both hit accuracy of 87% . However, the F1 score for the Inception model was 87, while that for the InceptionResNet model was 86. These results demonstrate the importance of deep learning methods in making correct breast cancer diagnoses. This highlights the potential to provide improved diagnostic services to patients. The findings of this study not only improve current methods of cancer diagnosis, but also make significant contributions to the creation of new and improved cancer treatment strategies. In a nutshell, the results of this study represent a major advancement in the direction of achieving these vital healthcare goals.

연구 동기 및 목표

• 히스토패스로픽 영상에서 유방암을 분류하기 위한 다수의 딥러닝 아키텍처 성능을 평가하는 것.
• BreaKHis 데이터셋을 사용하여 유방암을 진단하는 데 가장 효과적인 딥러닝 모델을 특정하는 것.
• 병리학 분야에서 더 정확하고 신뢰할 수 있는 인공지능 기반 진단 도구 개발에 기여하는 것.
• 모델 아키텍처가 정확도 및 F1 스코어와 같은 분류 지표에 미치는 영향을 평가하는 것.

제안 방법

• VGG, ResNet, Xception, Inception 및 InceptionResNet의 다섯 가지 사전 훈련된 딥러닝 모델을 BreaKHis 데이터셋에 맞추어 미세조정하였다.
• BreaKHis 데이터셋은 유방 조직의 대규모 전체 슬라이드 영상 컬렉션을 포함하고 있으며, 훈련 및 평가에 사용되었다.
• 모델 성능은 표준 분류 지표인 정확도와 F1 스코어를 사용하여 평가되었다.
• 전이 학습이 적용되어 ImageNet에서 사전 훈련된 가중치를 활용하여 의료 영상 작업에서의 일반화 능력을 향상시켰다.
• 하이퍼파rameter 튜닝 및 데이터 증강 기법을 사용하여 모델의 강건성 향상과 과적합 방지를 도모하였다.
• 모든 모델는 공정한 비교를 보장하기 위해 표준화된 교차 검증 프rotocol를 사용하여 훈련 및 검증되었다.

실험 결과

연구 질문

• RQ1 BreaKHis 데이터셋을 사용하여 히스토패스로픽 영상에서 유방암을 분류할 때 어떤 딥러닝 아키텍처가 가장 높은 정확도와 F1 스코어를 기록하는가?
• RQ2 VGG, ResNet, Xception, Inception 및 InceptionResNet의 성능 지표가 동일한 진단 작업에서 어떻게 비교되는가?
• RQ3 모델 아키텍처가 딥러닝을 활용한 유방암 분류에서 진단 성능에 얼마나 큰 영향을 미치는가?
• RQ4 사전 훈련된 모델을 사용한 전이 학습이 제한된 의료 영상 데이터셋에서 분류 성능을 크게 향상시킬 수 있는가?

주요 결과

• Xception 모델이 0.90의 최고 F1 스코어와 89%의 정확도를 기록하여 모든 다른 모델을 앞서는 성능을 보였다.
• Inception 모델은 87%의 정확도와 0.87의 F1 스코어를 기록하여 성능에서 두 번째로 높은 순위를 차지했다.
• InceptionResNet 모델은 87%의 정확도를 기록했지만 약간 낮은 F1 스코어 0.86를 기록하여 정밀도와 재현율 사이의 상충 관계를 보였다.
• ResNet 및 VGG 모델은 Xception, Inception 및 InceptionResNet에 비해 낮은 성능을 보였지만, 구체적인 지표는 보고되지 않았다.
• 결과는 아키텍처 설계가 딥러닝 기반 유방암 분류에서 진단 성능에 상당한 영향을 미친다는 것을 확인시켰다.
• 이 연구는 특히 Xception를 포함한 딥러닝 모델이 임상 환경에서 정확하고 신뢰할 수 있는 유방암 진단을 지원하는 데 강력한 잠재력을 지니고 있음을 보여주었다.