[논문 리뷰] Deep Learning for Lung Cancer Detection: Tackling the Kaggle Data Science Bowl 2017 Challenge

Kingsley Kuan, Mathieu Ravaut외 8명|arXiv (Cornell University)|2017. 05. 26.

Lung Cancer Diagnosis and Treatment참고 문헌 18인용 수 69

한 줄 요약

이 논문은 CT 스캔으로부터 폐암 진단을 위한 네 네트워크 다단계 3D CNN 프레임워크를 제시하고, 결절 탐지, 악성도 평가, 결절 분류, 환자 수준 예측을 결합했다; Kaggle의 Data Science Bowl 2017에서 1,972개 팀 중 41위를 차지했다.

ABSTRACT

We present a deep learning framework for computer-aided lung cancer diagnosis. Our multi-stage framework detects nodules in 3D lung CAT scans, determines if each nodule is malignant, and finally assigns a cancer probability based on these results. We discuss the challenges and advantages of our framework. In the Kaggle Data Science Bowl 2017, our framework ranked 41st out of 1972 teams.

연구 동기 및 목표

• 스크리닝 민감도 향상과 거짓 양성 감소를 위해 컴퓨터 보조 폐암 진단을 고무한다.
• 결절을 국소화하고, 악성 여부를 평가하며, 환자의 암 가능성을 출력하는 다단계 파이프라인을 개발한다.
• 데이터 한계를 해결하기 위해 LUNA16을 결절 주석으로 활용하고 Kaggle 2017 데이터를 암 상태에 활용하여 데이터 한계를 다룬다.
• 환자 수준 예측과 전체 성능에 대한 각 구성 요소의 기여를 평가한다.

제안 방법

• 3D CT 부피에서 작동하는 네 네트워크 아키텍처를 사용한다: 결절 탐지기, 악성도 탐지기, 결절 분류기, 그리고 환자 분류기.
• YOLO에서 영감을 얻은 격자 기반 탐지 방식과 탐지 작업의 백본으로 수정된 3D ResNet-101을 채택한다.
• 결절 탐지기를 LUNA16에서 학습시키고, 그다음 Kaggle Data Science Bowl 2017 데이터에서 악성도 탐지를 미세 조정한다; 탐지된 결절에 대해 별도의 결절 분류기를 학습시킨다.
• 로컬(결절) 특성과 글로벌(악성도) 특성을 합쳐 113차원 환자 특성 벡터를 만들고, 이를 환자 암 확률을 예측하는 두 은닉층 신경망에 입력한다.
• 탐지 단계에서 가중 크로스 엔트로피를 사용하고 악성 결절의 균형을 맞추기 위한 데이터 증강으로 클래스 불균형을 처리한다.
• 정규화된 512^3 부피를 중첩되는 128^3 크롭으로 나누어 GPU 메모리에 맞도록 처리한다.

실험 결과

연구 질문

• RQ1 다단계 3D CNN 프레임워크가 CT 스캔으로부터의 3D 폐암 진단에서 단일 단계 접근법보다 더 우수할 수 있는가?
• RQ2 결절 탐지, 결절 악성도 평가, 결절 분류를 결합하는 것이 환자 암 상태 예측에 얼마나 효과적인가?
• RQ3 다양한 결절 라벨링 전략이 분류기 성능과 전체 파이프라인 정확도에 미치는 영향은 무엇인가?
• RQ4 로컬 결절 분석의 특징과 글로벌 악성도 신호가 환자 수준의 암 확률 예측을 어느 정도 향상시킬 수 있는가?

주요 결과

• 해당 파이프라인은 Kaggle Data Science Bowl 2017에서 1,972개 팀 중 41위를 차지했다(2단계 테스트 데이터에서 로그손실 0.52712).
• 스테이지 1 테스트 데이터에서 환자 분류기는 민감도 0.719, 특이도 0.716 (로그손실 0.47707)을 달성했다.
• LUNA16 검증에서 결절 탐지기는 민감도 0.697, 특이도 0.999, F1 점수 0.740을 달성했다.
• 스테이지 1 Kaggle 데이터에서 악성도 탐지기는 민감도 0.317, 특이도 0.997, F1 점수 0.269를 보였으며, 3클래스 탐지가 더 어렵다는 것을 시사한다.
• 결절 분류기의 성능은 라벨링 전략에 따라 달랐으며, w=70%에서의 최대 결절 전략이 다른 라벨링 방법에 비해 민감도 0.538, 특이도 0.648, F1 0.33로 우호적인 균형을 제공했다.
• 대회 종료 후 분석에서 로컬(결절 분류기)과 글로벌(악성도 탐지기) 신호를 모두 통합하면 환자 수준 성능이 향상되는 것으로 나타났다.