[논문 리뷰] Deep Learning Approach for Early Stage Lung Cancer Detection

Saleh Abunajm, Nelly Elsayed외 2명|arXiv (Cornell University)|2023. 02. 05.

Lung Cancer Diagnosis and Treatment인용 수 9

한 줄 요약

본 논문은 CT 스캔으로 폐암의 조기 예측 및 단계 탐지를 위한 CNN 기반 모델을 제시하며, 높은 정확도를 달성하고 진단 결정에서 방사선과 의사를 지원하는 것을 목표로 한다.

ABSTRACT

Lung cancer is the leading cause of death among different types of cancers. Every year, the lives lost due to lung cancer exceed those lost to pancreatic, breast, and prostate cancer combined. The survival rate for lung cancer patients is very low compared to other cancer patients due to late diagnostics. Thus, early lung cancer diagnostics is crucial for patients to receive early treatments, increasing the survival rate or even becoming cancer-free. This paper proposed a deep-learning model for early lung cancer prediction and diagnosis from Computed Tomography (CT) scans. The proposed mode achieves high accuracy. In addition, it can be a beneficial tool to support radiologists' decisions in predicting and detecting lung cancer and its stage.

연구 동기 및 목표

• 생존율 개선을 위한 조기 폐암 진단의 동기를 부여한다.
• CT 이미지에서 폐암의 단계 예측 및 탐지를 위한 딥 러닝 모델을 개발한다.
• 확립된 지표를 기준으로 모델을 평가하고 최첨단 방법과 비교한다.

제안 방법

• 다수의 Conv2D 및 MaxPooling 계층이 이어지고 마지막에 Dense SoftMax로 세 클래스 출력(양성, 악성, 정상)을 하는 딥 컨볼루션 신경망을 제안한다.
• 과적합을 방지하기 위해 ReLU 활성화와 조기 풀링을 사용한다.
• 이미지 전처리와 CLAHE 기반 대비 향상을 통해 IQ-OTH/NCCD-Lung Cancer Dataset에서 학습한다.
• 데이터 증강을 적용하여 데이터셋을 확장한다(뒤집기, 밝기, 확대/축소, 회전, 기울임 등).
• 정밀도, 재현율, 특이도, F1-score 및 overall accuracy를 포함한 상세 지표를 보고한다.

실험 결과

연구 질문

• RQ1 CNN 기반 모델이 CT 스캔을 양성, 악성, 정상의 세 범주로 정확히 분류하여 조기 폐암 탐지를 수행할 수 있는가?
• RQ2 CLAHE 기반 대비 향상 및 데이터 증강이 모델 성능에 미치는 영향은 무엇인가?
• RQ3 제안된 모델이 IQ-OTH/NCCD 데이터셋에서 최첨단 CNN 모델과 어떻게 비교되는가?

주요 결과

• 증강된 IQ-OTH/NCCD 데이터셋에서 모델의 정확도가 99.45%에 도달했다.
• 세 클래스의 정밀도, 재현율(민감도), 특이도가 높으며 악성의 정밀도는 1.00이고 재현율은 99%이다.
• F1-스코어는 양성 0.98, 악성 1.00, 정상 0.99이다.
• 정밀도, 재현율, F1-스코어의 매크로 및 가중 평균은 99%이다.
• 훈련에 6,345개의 증강 이미지와 2,116개의 검증 이미지를 사용하였으며 손실은 1.75이다.