[논문 리뷰] Deep learning in radiology: an overview of the concepts and a survey of the state of the art

Maciej A. Mazurowski, Mateusz Buda외 2명|arXiv (Cornell University)|2018. 02. 10.

AI in cancer detection참고 문헌 81인용 수 32

한 줄 요약

이 논문은 영상의학에서의 딥러닝에 대한 종합적인 개요를 제공하며, 인공지능, 기계학습, 신경망과 같은 핵심 개념을 설명하고, 의료 영상에서 주로 사용되는 컨볼루션 신경망(CNNs) 아키텍처에 중점을 둡니다. CNNs가 역전파와 확률적 경사 하강법을 통해 학습하는 방식과, 데이터 부족 문제를 해결하기 위해 전이 학습 및 즉시 사용 가능한 특징 추출 기법과 같은 학습 전략을 평가합니다.

ABSTRACT

Deep learning is a branch of artificial intelligence where networks of simple interconnected units are used to extract patterns from data in order to solve complex problems. Deep learning algorithms have shown groundbreaking performance in a variety of sophisticated tasks, especially those related to images. They have often matched or exceeded human performance. Since the medical field of radiology mostly relies on extracting useful information from images, it is a very natural application area for deep learning, and research in this area has rapidly grown in recent years. In this article, we review the clinical reality of radiology and discuss the opportunities for application of deep learning algorithms. We also introduce basic concepts of deep learning including convolutional neural networks. Then, we present a survey of the research in deep learning applied to radiology. We organize the studies by the types of specific tasks that they attempt to solve and review the broad range of utilized deep learning algorithms. Finally, we briefly discuss opportunities and challenges for incorporating deep learning in the radiology practice of the future.

연구 동기 및 목표

• 영상의학 연구자들이 인공지능, 기계학습 및 딥러닝의 기본 개념을 명확히 이해할 수 있도록 돕기 위해.
• 의료 영상 분석에서 인공신경망(ANNs)과 컨볼루션 신경망(CNNs)의 아키텍처 및 기능을 설명하기 위해.
• 의료 학습 데이터 부족 문제를 해결하기 위해 전이 학습 및 즉시 사용 가능한 특징 추출 방법을 검토함으로써.
• 특징 공학 및 모델 학습 측면에서 딥러닝과 전통적 기계학습 간의 차이를 대비하기 위해.
• 현재 최신의 딥러닝 응용 사례에 대한 체계적인 개요를 제공하기 위해.

제안 방법

• 인공지능, 기계학습 및 딥러닝의 계층적 설명을 통해 개념적 기초를 구축합니다.
• 인공신경망(ANNs)을 상호 연결된 뉴런으로 설명하며, 이는 가중치 합계와 비선형 활성화 함수를 수행합니다.
• 컨볼루션 신경망(CNNs)을 공유 가중치, 컨볼루션 계층, 풀링 및 특수화된 활성화 함수를 갖춘 깊은 아키텍처로 설명합니다.
• 예측 오차를 최소화하기 위해 네트워크 가중치를 갱신하는 방식으로 역전파와 확률적 경사 하강법을 통한 학습 과정을 상세히 기술합니다.
• 전이 학습을 소개합니다: 대규모 데이터셋(예: ImageNet)에서 사전 학습한 후 의료 데이터에서 미세 조정합니다.
• 즉시 사용 가능한 특징 추출 방법을 설명합니다: 사전 학습된 CNNs의 중간 계층에서 특징을 추출하여 기존 분류기와 함께 사용합니다.

실험 결과

연구 질문

• RQ1 의료 영상에 적용할 때 인공신경망과 컨볼루션 신경망은 아키텍처 및 기능 측면에서 어떻게 다릅니까?
• RQ2 딥러닝 모델이 의료 영상에서 자동으로 특징을 학습할 수 있도록 하는 핵심 메커니즘은 무엇입니까?
• RQ3 전이 학습은 의료 영상 응용에서 데이터 부족 문제를 어떻게 완화합니까?
• RQ4 특징 추출 및 모델 학습 측면에서 딥러닝은 전통적 기계학습과 어떤 방식으로 다릅니까?
• RQ5 임상 영상의학 작업에서 즉시 사용 가능한 특징과 미세 조정을 사용할 경우 실질적인 영향은 무엇이 있습니까?

주요 결과

• 딥러닝 모델, 특히 컨볼루션 신경망은 수동적인 특징 공학 없이도 의료 영상에서 계층적인 특징을 자동으로 학습할 수 있습니다.
• 전이 학습을 통해 ImageNet에서 사전 학습된 모델을 활용하면 제한된 데이터로도 후행 의료 영상 작업의 성능을 향상시킬 수 있습니다.
• 사전 학습된 CNNs에서 추출한 즉시 사용 가능한 특징은 SVM과 같은 기존 분류기와 함께 사용되어 피부 병변 분류와 같은 작업에서 뛰어난 성능을 달성할 수 있습니다.
• 역전파 알고리즘은 예측 오차를 줄이기 위해 반복적으로 가중치를 조정함으로써 딥 네트워크의 엔드 투 엔드 학습을 가능하게 합니다.
• 데이터 소비가 크다는 점에도 불구하고, 전이 학습 또는 특징 추출 전략과 조합하면 딥러닝 모델이 영상의학 분야에서 높은 성능을 낼 수 있습니다.
• CNNs의 풀링 계층은 영상 이동에 대한 영향을 줄여 영상 스캔의 정밀도를 향상시키는 이동 불변성 기여합니다.