[논문 리뷰] Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example

Mingxuan Xiao, Yufeng Li외 3명|arXiv (Cornell University)|2024. 04. 12.

AI in cancer detection인용 수 5

한 줄 요약

이 논문은 BreaKHis 데이터셋에서 유방암 cytopathology 이미지를 양성 vs 악성으로 분류하기 위해 전이 학습을 통한 Inception-V3와 쿼드트리 기반 이미지 세분화를 사용하여 확대 배율에 걸쳐 정확도 0.92 이상을 달성했다.

ABSTRACT

Breast cancer is a relatively common cancer among gynecological cancers. Its diagnosis often relies on the pathology of cells in the lesion. The pathological diagnosis of breast cancer not only requires professionals and time, but also sometimes involves subjective judgment. To address the challenges of dependence on pathologists expertise and the time-consuming nature of achieving accurate breast pathological image classification, this paper introduces an approach utilizing convolutional neural networks (CNNs) for the rapid categorization of pathological images, aiming to enhance the efficiency of breast pathological image detection. And the approach enables the rapid and automatic classification of pathological images into benign and malignant groups. The methodology involves utilizing a convolutional neural network (CNN) model leveraging the Inceptionv3 architecture and transfer learning algorithm for extracting features from pathological images. Utilizing a neural network with fully connected layers and employing the SoftMax function for image classification. Additionally, the concept of image partitioning is introduced to handle high-resolution images. To achieve the ultimate classification outcome, the classification probabilities of each image block are aggregated using three algorithms: summation, product, and maximum. Experimental validation was conducted on the BreaKHis public dataset, resulting in accuracy rates surpassing 0.92 across all four magnification coefficients (40X, 100X, 200X, and 400X). It demonstrates that the proposed method effectively enhances the accuracy in classifying pathological images of breast cancer.

연구 동기 및 목표

• 병리학자의 시간과 전문성에 대한 의존도를 줄이기 위해 유방암 cytopathology 이미지 분류를 가속화하고 자동화하는 것을 목표로 한다.
• 전이 학습과 함께 Inception-V3를 활용하여 고해상도 병리 이미지에서 특징을 추출한다.
• 고해상도 이미지를 관리하고 이미지당 다중 블록을 생성하기 위해 쿼드트리 기반 이미지 세분화를 도입한다.
• 블록 단위 예측을 이미지 수준 및 환자 수준 결과로 집계하기 위한 융합 규칙(합, 곱, 최대)을 탐구한다.

제안 방법

• 이미지를 299x299로 크기 조정하고 마지막 두 개의 완전 연결 계층을 제거한 후 Inception-V3를 특징 추출기로 사용한다.
• 계산 비용 절감을 위해 미세 조정 없이 ImageNet 사전 학습 가중치를 사용하여 고정 가중치 전이 학습 접근법을 적용한다.
• 각 이미지의 마지막 풀링 계층에서 1x2048 특징 벡터를 추출하여 SoftMax 활성화를 갖는 2계층 완전 연결 분류기(512 및 2 노드)에 입력한다.
• 원본 이미지당 4개 및 16개의 부분 이미지를 생성하는 쿼드트리 기반 세분화를 통해 데이터를 증강하고 데이터세트 규모를 각각 4배, 16배로 증가시킨다.
• 합, 곱 또는 최대 규칙을 사용하여 하위 이미지 예측을 융합하여 최종 이미지 진단을 얻는다.

실험 결과

연구 질문

• RQ1 쿼드트리 기반 이미지 세분화가 유방암 조직학 분류 정확도에 어떻게 영향을 미치는가?
• RQ2 다양한 융합 알고리즘(합, 곱, 최대)이 이미지 수준 및 환자 수준 분류를 위한 블록 단위 예측의 집계에 미치는 영향은 무엇인가?
• RQ3 전이 학습을 이용한 CNN 기반 접근법이 BreaKHis에서 유방암 조직병리학 이미지 분류를 위한 전통적인 수작업 특징 추출보다 뛰어난가?

주요 결과

• 구획화된 블록과 융합을 사용할 때 40X, 100X, 200X, 400X 모든 배율에서 정확도 0.92를 초과.
• 분할되지 않은 이미지에 비해 분할된 이미지에서 이미지 수준 정확도가 2.0%에서 4.4% 개선되었다.
• 비분할 이미지에 비해 분할된 이미지에서 환자 수준 정확도가 0.9%에서 4.9% 개선되었다.
• 쿼터 분할 segmentation은 대부분의 경우(사례의 79.2%)에서 일반적으로 16-way 분할보다 우수했다.
• 문헌상의 여러 기준선과 비교하여, 세분화와 융합을 활용한 제안된 CNN 기반 접근법은 이미지 인식 정확도에서 상당한 향상을 보였으며(예: 일부 이전 방법 대비 약 12%까지).