[논문 리뷰] Deep Learning Framework for Multi-class Breast Cancer Histology Image Classification

Yeeleng S. Vang, Zhen Chen외 1명|arXiv (Cornell University)|2018. 02. 03.

AI in cancer detection참고 문헌 8인용 수 10

한 줄 요약

이 논문은 전체 슬라이드 이미지의 패치 수준에서 분류하기 위해 Inception V3를 사용하고, 이미지 수준 예측을 위해 다수결 투표, 기울기 부스팅, 로지스틱 회귀를 융합하는 앙상블 융합 전략을 사용하는 딥러닝 프레임워크를 제안한다. 정상 및 양성 조직의 민감도를 향상시키기 위해, Dual Path Network(DPN)을 특징 추출기로 사용하고, 이후 단계에서 GBM, SVM, 로지스틱 회귀를 사용한 두 번째 수준의 앙상블를 적용하여 ICIAR 2018 데이터셋에서 SOTA 대비 12.5% 높은 87.5%의 정확도를 달성하였다.

ABSTRACT

In this work, we present a deep learning framework for multi-class breast cancer image classification as our submission to the International Conference on Image Analysis and Recognition (ICIAR) 2018 Grand Challenge on BreAst Cancer Histology images (BACH). As these histology images are too large to fit into GPU memory, we first propose using Inception V3 to perform patch level classification. The patch level predictions are then passed through an ensemble fusion framework involving majority voting, gradient boosting machine (GBM), and logistic regression to obtain the image level prediction. We improve the sensitivity of the Normal and Benign predicted classes by designing a Dual Path Network (DPN) to be used as a feature extractor where these extracted features are further sent to a second layer of ensemble prediction fusion using GBM, logistic regression, and support vector machine (SVM) to refine predictions. Experimental results demonstrate our framework shows a 12.5$\%$ improvement over the state-of-the-art model.

연구 동기 및 목표

• 정상 및 양성 조직 클래스에서 성능이 떨어지는 문제를 해결하기 위해 다중 클래스 유방암 조직학적 이미지 분류의 정확성을 향상시키는 것.
• 시각적 유사성으로 인해 자주 잘못 분류되는 양성 및 정상 조직의 분류 민감도를 향상시키는 것.
• 전이 학습과 앙상블 방법을 활용한 조직병리학적 이미지 분석을 위한 강력하고 확장 가능한 딥러닝 파이프라인 개발.
• 네 클래스 유방암 조직학적 이미지 분류에 대해 ICIAR 2018 그랜드 챌린지 데이터셋에서 최고 성능을 달성하는 것.

제안 방법

• GPU 메모리 제약 조건을 고려해 전체 슬라이드 이미지의 잘린 영역에 대해 Inception V3 아키텍처를 사용해 패치 수준 분류를 수행한다.
• 패치 수준 예측은 다수결 투표, 기울기 부스팅 머신(GBM), 로지스틱 회귀를 포함한 앙상블 프레임워크를 통해 이미지 수준 분류를 위해 융합한다.
• 양성 및 정상 클래스에서 민감도를 향상시키기 위해, Vahadane 정규화된 이미지에서 DPN을 미세조정하여 특징 추출기로 사용한다.
• DPN 임bedded 특징에 대해 GBM, SVM, 로지스틱 회귀를 사용한 두 번째 수준의 앙상블 융합을 적용하여 양성 대 정상의 이진 분류를 수행한다.
• 스테인팅 변동에 대한 강건성과 일반화 능력을 향상시키기 위해 Macenko 및 Vahadane 정규화를 활용한 데이터 증강 기법을 적용한다.
• 예측 일관성을 향상시키기 위해 히트맵 기반 후처리 전략을 사용하며, 이는 8개의 이미지 방향에 걸친 클래스 맵 생성 및 히스토GRAM 기반 융합을 포함한다.

실험 결과

연구 질문

• RQ1 GPU 메모리 제약 조건이 존재하는 상황에서 Inception V3를 활용한 패치 기반 딥러닝 접근 방식이 네 클래스 유방암 조직학적 이미지 분류에서 높은 정확도를 달성할 수 있는가?
• RQ2 다양한 패치 수준 예측을 융합할 때 앙상블 융합 전략은 이미지 수준 분류 성능을 어떻게 향상시키는가?
• RQ3 표준 모델에 비해 양성 및 정상 조직 클래스에서 민감도를 향상시키기 위해 Dual Path Network(DPN)을 특징 추출기로 사용할 경우 성능 향상이 이루어지는가?
• RQ4 Inception V3를 사용한 첫 번째 단계와 DPN 및 다수의 분류기를 활용한 후속 단계의 이중 단계 앙상블 프레임워크는 전체 정확도 및 민감도를 얼마나 향상시키는가?
• RQ5 Macenko 및 Vahadane 정규화 기법과 후처리 전략을 융합하면 조직병리학적 이미지의 스테인팅 변동에 대한 모델의 강건성을 향상시킬 수 있는가?

주요 결과

• 제안된 프레임워크는 ICIAR 2018 테스트 세트에서 전체 정확도 87.5%를 달성하여 이전 SOTA 모델 대비 12.5% 향상된 성능을 보였다.
• 양성 클래스의 민감도는 80%로 상승하여 기준 모델의 66.7% 대비 약 20% 향상되었다.
• 정상 클래스의 민감도도 80%로 상승하여 기준 모델의 77.8%에서 향상되었다.
• 정밀도 향상이 어려운 양성 및 정상 분류 과제에서 DPN을 사용한 보완 단계가 성능 향상에 크게 기여하였다.
• DPN 특징에 대해 GBM, SVM, 로지스틱 회귀를 융합한 앙상블 융합 전략이 가장 높은 정확도를 기록하여 다중 모델 융합의 효과를 입증하였다.
• 보완 단계 없이도 기준 모델 대비 6%의 정확도 향상을 기록하여, 초기 앙상블 접근 방식의 가치를 확인하였다.