[논문 리뷰] Data Augmentation for Detection of Architectural Distortion in Digital Mammography using Deep Learning Approach

Arthur C. Costa, Helder C. R. Oliveira외 4명|arXiv (Cornell University)|2018. 07. 06.

AI in cancer detection참고 문헌 6인용 수 12

한 줄 요약

이 연구는 디지털 유방촬영에서 유방암의 미세한 조기 징후인 구조적 왜곡(AD)을 탐지하기 위해 컨volutional 신경망(CNN)을 훈련시키기 위한 데이터 증강 전략을 제안한다. 300장의 임상 영상로만 제한된 데이터셋이 있었음에도 불구하고, 데이터 증강을 통해 훈련 샘플을 21,600개로 증가시켜 CNN이 현실적인 테스트 세트에서 AUC 0.74를 달성하게 되었으며, 제한된 데이터로도 딥러닝을 활용한 조기 암 탐지의 가능성을 입증하였다.

ABSTRACT

Early detection of breast cancer can increase treatment efficiency. Architectural Distortion (AD) is a very subtle contraction of the breast tissue and may represent the earliest sign of cancer. Since it is very likely to be unnoticed by radiologists, several approaches have been proposed over the years but none using deep learning techniques. To train a Convolutional Neural Network (CNN), which is a deep neural architecture, is necessary a huge amount of data. To overcome this problem, this paper proposes a data augmentation approach applied to clinical image dataset to properly train a CNN. Results using receiver operating characteristic analysis showed that with a very limited dataset we could train a CNN to detect AD in digital mammography with area under the curve (AUC = 0.74).

연구 동기 및 목표

• 딥러닝 모델을 유방촬영 분야에서 훈련시키는 데 있어 제한된 임상 데이터 문제를 해결하기 위해.
• 영상의학자들이 자주 간과하는 구조적 왜곡(AD)이라는 미세하고 조기 징후의 탐지 능력을 향상시키기 위해.
• 작은 임상 데이터셋을 효과적으로 확장하여 CNN 훈련에 활용할 수 있는 데이터 증강 전략을 개발하고 평가하기 위해.
• 실제 임상 환경에서의 실제적인 테스트 시나리오에서 훈련된 CNN의 성능을 평가하기 위해.

제안 방법

• 연구는 300장의 임상 유방촬영 영상로 구성된 데이터셋을 사용하였으며, 이 중 200장은 DDSM 데이터셋에서, 나머지 100장은 기관 심의위원회 승인 하에 확보하였다.
• 영상의학자들이 주석 처리한 AD 위치와 정상 조직 기반으로 영역 관심(ROIs)을 수동으로 잘라내어 총 600개의 ROI를 확보하였다.
• 데이터 증강은 수직/수평 반전, 90°, 180°, 270° 회전, 그리고 가우시안 노이즈(분산 0.02, 0.04, 0.06)를 적용하여 클래스가 균형 잡힌 21,600개의 샘플로 데이터셋을 확장하였다.
• TensorFlow를 사용하여 CNN을 구현하였으며, 5x5 필터, 맥스 풀링, 4x4 완전 연결층을 사용하였고, z-스코어 정규화를 적용한 70%-15%-15% 분할 훈련을 실시하였다.
• 모델 평가를 위해 9개의 새로운 검사 영상에서 각각 약 3,000개의 ROI를 추출하고, 중심 좌표 기반으로 AD 또는 정상으로 분류하였다.

실험 결과

연구 질문

• RQ1 데이터 증강 전략이 유방촬영에서 구조적 왜곡 탐지용 CNN 훈련에 있어 제한된 임상 데이터를 효과적으로 보완할 수 있는가?
• RQ2 증강된 데이터로 훈련된 CNN이 현실적인 임상 환경에서 새로운, 볼 수 없는 유방촬영 영상에 대해 얼마나 잘 일반화되는가?
• RQ3 제안된 방법의 진단 성능은 현실적인 테스트 시나리오에서 AUC와 정확도 측면에서 어떻게 평가되는가?

주요 결과

• CNN은 9개의 새로운 유방촬영 영상으로 구성된 현실적인 테스트 세트에서 AUC 0.74를 달성하여, 제한된 훈련 데이터에도 불구하고 실용적인 진단 잠재력을 입증하였다.
• 훈련 및 검증 분할에서 모델은 99.4%의 정확도와 AUC 0.99를 기록하여 강력한 내부 학습 능력을 보였다.
• 데이터 증강 전략은 초기 600개의 ROI를 효과적으로 21,600개의 샘플로 확장하여 균형 잡힌 클래스를 확보하고 CNN 훈련에 성공적으로 기여하였다.
• 실제 테스트 세트에서의 모델 성능(AUC=0.74, 정확도=86.1%)은 조기 유방암 탐지에 대한 임상적 도입 가능성을 확인하였다.