[논문 리뷰] Cross-view Relation Networks for Mammogram Mass Detection

Jiechao Ma, Sen Liang외 5명|arXiv (Cornell University)|2019. 07. 01.

AI in cancer detection참고 문헌 13인용 수 16

한 줄 요약

이 논문은 이중 시각(MLO 및 CC)에서 대응하는 종양 영역 간 잠재적 관계를 두 개의 브랜치로 구성된 Faster R-CNN과 교차 시각 관계 네트워크를 사용하여 함께 모델링하는 새로운 프레임워크인 Cross-View Relation Region-based Convolutional Neural Networks(CVR-RCNN)를 제안한다. 이 방법은 사설 데이터셋에서 F1 스코어 73%로 향상되고 이미지당 오진 양성률(FPI)을 0.30으로 감소시키며, 공개된 DDSM 데이터셋에서는 1.2 FPI에서 F1 스코어 0.85를 달성하여 최신 기술 수준을 확보한다.

ABSTRACT

Mammogram is the most effective imaging modality for the mass lesion detection of breast cancer at the early stage. The information from the two paired views (i.e., medio-lateral oblique and cranio-caudal) are highly relational and complementary, and this is crucial for doctors' decisions in clinical practice. However, existing mass detection methods do not consider jointly learning effective features from the two relational views. To address this issue, this paper proposes a novel mammogram mass detection framework, termed Cross-View Relation Region-based Convolutional Neural Networks (CVR-RCNN). The proposed CVR-RCNN is expected to capture the latent relation information between the corresponding mass region of interests (ROIs) from the two paired views. Evaluations on a new large-scale private dataset and a public mammogram dataset show that the proposed CVR-RCNN outperforms existing state-of-the-art mass detection methods. Meanwhile, our experimental results suggest that incorporating the relation information across two views helps to train a superior detection model, which is a promising avenue for mammogram mass detection.

연구 동기 및 목표

• 기존의 유방 조영 검사 종양 탐지 방법이 이중 MLO 및 CC 시각 간 상호 보완적 정보를 활용하지 못하는 한계를 해결하기 위해.
• 이중 시각 유방 영상에서 대응하는 종양 영역 간의 잠재적 관계 특징을 명시적으로 모델링하는 딥 러닝 프레임워크를 개발하기 위해.
• 두 시각 간 공유된 특징 학습을 통해 교차 시각 검증을 가능하게 하여 오진 탐지 수를 줄이기 위해.
• 상호 시각 관계를 통합함으로써 단일 시각 또는 비관계 기반 다중 시각 접근 방식보다 탐지 성능이 크게 향상됨을 입증하기 위해.

제안 방법

• 프레임워크는 MLO 및 CC 시각에서 독립적으로 영역 제안(ROIs)을 추출하기 위해 두 개의 브랜치로 구성된 가중치 공유 Faster R-CNN 아키텍처를 사용한다.
• 각 브랜치에서 ROIs의 시각적 및 기하학적 특징(위치, 너비, 높이)을 추출하여 교차 시각 비교를 수행한다.
• 새로운 교차 시각 관계 네트워크를 도입하였으며, 이는 두 시각의 대응하는 ROIs 간의 시각적 및 기하학적 특징을 집계하는 다중 관계 블록으로 구성된다.
• 각 관계 블록은 두 시각의 ROI 특징 간에 주의 메커니즘 유사 상호작용을 계산하여 교차 시각 맥락 기반 특징 정밀화를 가능하게 한다.
• 두 브랜치의 영역 제안 및 분류 손실와 관계 네트워크 감독을 포함하는 복합 손실 함수를 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.
• 관계 네트워크는 방사선 전문의의 작업 흐름을 모방하여 두 시각 간에 의심스러운 영역를 상호 점검함으로써 탐지 신뢰도를 향상시킨다.

실험 결과

연구 질문

• RQ1 이중 MLO 및 CC 유방 조영 영상에서 대응하는 종양 영역 간의 잠재적 관계를 모델링하면 종양 탐지 성능이 향상되는가?
• RQ2 교차 시각 특징 상호작용을 통합하면 유방 종양 탐지에서 오진 양성률이 감소하는가?
• RQ3 제안된 교차 시각 관계 네트워크는 표준 Faster R-CNN 및 상호 작용이 없는 이중 브랜치 모델보다 어떻게 비교되는가?
• RQ4 시각 특화 관계 특징의 포함이 탐지 재현율과 정밀도 향상에 어느 정도 기여하는가?
• RQ5 제안된 프레임워크는 사설 및 공개 유방 영상 컬렉션을 포함한 다양한 데이터셋에 일반화 가능한가?

주요 결과

• 제안된 CVR-RCNN는 사설 데이터셋에서 F1 스코어 73%를 달성하고 이미지당 오진 양성률(FPI)을 0.30으로 감소시켜 기준 모델을 크게 능가했다.
• 네 개의 관계 블록(N=4)을 사용할 경우 정밀도 76.56%, 재현율 70.39%를 기록하여 관계 블록 수 증가가 성능 향상에 기여함을 입증했다.
• 관계 블록이 없는 이중 브랜치 Faster R-CNN는 정밀도 65.27%, 재현율 71.93%를 기록했지만, CVR-RCNN는 이를 각각 정밀도 71.12%, 재현율 75.33%로 향상시켰다.
• 공개된 DDSM 데이터셋에서 CVR-RCNN는 FPI 1.2일 때 TPR 0.85, FPI 1.9일 때 TPR 0.88를 기록하여 이전의 최신 기술 수준 방법들을 모두 능가했다.
• 제거 실험(ablation study) 결과, 교차 시각 관계 네트워크가 필수적임을 확인하였으며, 관계 블록을 제거했을 경우 성능이 저하됨(N=0).
• 결과적으로 상호 시각 관계 모델링이 오진 양성률을 교차 검증을 통해 감소시켜 더 강력하고 정확한 탐지 결과를 이끌어내는 데 기여함을 입증했다.