[논문 리뷰] Conditional Generative Adversarial and Convolutional Networks for X-ray Breast Mass Segmentation and Shape Classification

Vivek Kumar Singh, Santiago Romaní외 10명|arXiv (Cornell University)|2018. 05. 25.

AI in cancer detection참고 문헌 14인용 수 5

한 줄 요약

이 논문은 정확한 X선 유방 종양 세분화 및 이어지는 형태 분류를 위한 U-Net 및 오토에인코더 아키텍처를 갖춘 조건부 생성 적대 신경망(cGAN)을 제안한다. cGAN 프레임워크는 지도 데이터와의 적대적 일致성을 강제하여 세분화 성능을 햖थ하며, 공개 및 비공개 데이터셋에서 94% 이상의 Dice 및 89% 이상의 Jaccard 점수를 기록하였다. 별도의 CNN은 세분화된 종양 영역을 네 가지 형태 유형(비정형, 날개형, 타원형, 원형)으로 분류하여 72%의 정확도를 달성하였다.

ABSTRACT

This paper proposes a novel approach based on conditional Generative Adversarial Networks (cGAN) for breast mass segmentation in mammography. We hypothesized that the cGAN structure is well-suited to accurately outline the mass area, especially when the training data is limited. The generative network learns intrinsic features of tumors while the adversarial network enforces segmentations to be similar to the ground truth. Experiments performed on dozens of malignant tumors extracted from the public DDSM dataset and from our in-house private dataset confirm our hypothesis with very high Dice coefficient and Jaccard index (>94% and >89%, respectively) outperforming the scores obtained by other state-of-the-art approaches. Furthermore, in order to detect portray significant morphological features of the segmented tumor, a specific Convolutional Neural Network (CNN) have also been designed for classifying the segmented tumor areas into four types (irregular, lobular, oval and round), which provides an overall accuracy about 72% with the DDSM dataset.

연구 동기 및 목표

• 낮은 대비, 노이즈가 많은 유방촬영 영상에서 제한된 학습 데이터로 정확한 종양 세분화를 해결하기 위해.
• 적대적 훈련을 통해 현실성과 경계 충실도를 강제하는 조건부 GAN을 활용하여 세분화의 강인성을 향상시키기 위해.
• 세분화된 종양 영역을 네 가지 형태학적 형태 유형(비정형, 날개형, 타원형, 원형)으로 분류하여 분자의 아형과의 잠재적 연관성을 조사하기 위해.
• cGAN 기반 세분화 성능을 공개(DDSM) 및 비공개 내부 데이터셋에서 평가하여 FCN, U-Net, CRFCNN와 비교하기 위해.
• 비공개 임상 데이터셋에서 종양 형태와 분자의 아형(루미널-A/B, HER-2, 베이스럴-라익) 간의 연관성을 탐색하기 위해.

제안 방법

• 생성자 네트워크가 입력 mammogram ROI 조각에 조건부로 종양의 이진 마스크를 생성하도록 하는 cGAN 프레임워크를 사용한다.
• 생성자 네트워크는 U-Net 또는 오토에인코더 아키텍처로 구현되며, 인코더 특징 추출과 스위프 커넥션 또는 스위프 커넥션 없음을 결합한다.
• 판별자 네트워크는 생성된 마스크와 진짜 마스크를 비교하여 현실적이고 정밀한 세분화 경계를 강제한다.
• 적대적 손실에 이진 교차 엔트로피 손실과 L1 손실을 결합하여 생성자를 최적화함으로써 세분화의 정밀도를 향상시킨다.
• 생성된 마스크에서 작은 잡음을 제거하기 위해 사전 처리로 형태학적 필터링(침식 및 팽창)을 적용한다.
• 이중 마스크를 기반으로 별도의 경량 CNN을 훈련시켜 10겹 교차검증을 통해 종양 형태를 네 가지 카테고리로 분류한다.

실험 결과

연구 질문

• RQ1 제한된 학습 데이터에서 조건부 GAN 아키텍처가 종양 세분화 정확도를 향상시킬 수 있는가?
• RQ2 cGAN 생성자에 스위프 커넥션(U-Net 대비 오토에인코더)을 포함할 경우 공개 및 비공개 데이터셋에서 세분화 성능에 어떤 영향을 미치는가?
• RQ3 제안된 cGAN 기반 세분화 파이프라인은 FCN, U-Net, CRFCNN와 같은 최신 기술보다 Dice 및 Jaccard 점수 측면에서 뛰어나게 성능을 발휘하는가?
• RQ4 간단한 CNN은 이진 마스크에서 종양 형태를 높은 정확도로 효과적으로 분류할 수 있는가?
• RQ5 임상 데이터에서 종양 형태(비정형, 날개형, 타원형, 원형)와 분자의 아형(Luminal-A/B, HER-2, Basal-like) 간에 통계적으로 유의미한 상관관계가 존재하는가?

주요 결과

• cGAN-Unet 모델은 DDSM 테스트 세트에서 95.55%의 Dice 계수와 86.48%의 Jaccard 지수를 기록하여 FCN, U-Net, CRFCNN를 모두 능가하였다.
• 비공개 내부 데이터셋에서는 cGAN-AutoEnc가 94.81%의 Dice 점수와 80.08%의 Jaccard 지수를 기록하였으며, 민감도 97.26%로 종양 영역 탐지 능력이 뛰어나다는 것을 보여주었다.
• DDSM 데이터셋에서 cGAN 모델은 기준 FCN 대비 Dice 점수 +6%, Jaccard 지수 +9% 향상시켰다.
• 형태 분류 CNN은 10겹 교차검증을 통해 DDSM 데이터셋에서 총 정확도 72%를 달성하였다.
• 비공개 데이터셋에서 루미널-A 및 루미널-B 아형은 주로 비정형 및 날개형 형태와 연관되었고, 타원형 및 원형 형태는 HER-2 및 베이스럴-라익 아형에서 더 흔하게 관찰되었다.
• cGAN-AutoEnc 모델은 cGAN-Unet보다 비공개 데이터셋에서 더 우수한 일반화 성능을 보였으며, 데이터가 제한된 상황에서 더 단순한 아키텍처가 더 강건한 종양 특징을 학습할 수 있음을 시사한다.