[논문 리뷰] Deep Multi-instance Networks with Sparse Label Assignment for Whole Mammogram Classification

Wentao Zhu, Qi Lou외 2명|arXiv (Cornell University)|2016. 12. 18.

AI in cancer detection참고 문헌 15인용 수 31

한 줄 요약

이 논문은 비용이 많이 드는 검출 또는 분할 주석이 필요 없이 전체 유방촬영 영상 분류를 위한 엔드 투 엔드 딥 다중인스턴스 네트워크를 제안한다. 최대 풀링, 레이블 할당, 희소 학습 기법을 활용하여 모델은 INbreast 데이터셋에서 최신 기술 수준의 성능을 달성했으며, 사전 훈련된 AlexNet 대비 6%의 AUC 향상을 이룩했고, 명시적인 바운딩 박스 감독 없이도 작은 희소 종양을 안정적으로 탐지할 수 있었다.

ABSTRACT

Mammogram classification is directly related to computer-aided diagnosis of breast cancer. Traditional methods requires great effort to annotate the training data by costly manual labeling and specialized computational models to detect these annotations during test. Inspired by the success of using deep convolutional features for natural image analysis and multi-instance learning for labeling a set of instances/patches, we propose end-to-end trained deep multi-instance networks for mass classification based on whole mammogram without the aforementioned costly need to annotate the training data. We explore three different schemes to construct deep multi-instance networks for whole mammogram classification. Experimental results on the INbreast dataset demonstrate the robustness of proposed deep networks compared to previous work using segmentation and detection annotations in the training.

연구 동기 및 목표

• 유방 종양 분류에서 비용이 많이 드는 수동 주석(예: 바운딩 박스 또는 분할 마스크)이 필요 없도록 하는 것.
• 원시적이고 주석이 없는 이미지에서 직접 전체 유방촬영 영상을 분류할 수 있는 엔드 투 엔드 딥 러닝 프레임워크를 개발하는 것.
• 희소한 작은 영역 병변에 적합하게 다중인스턴스 학습을 적용하여 의료 영상 분석에서 딥 특징의 강건성과 이식 가능성을 향상시키는 것.
• 유방촬영 영상에서 종양의 크기가 작고 희귀한 점을 더 잘 다룰 수 있는 대안적 다중인스턴스 학습 기법—최대 풀링, 레이블 할당, 희소성—을 탐색하는 것.

제안 방법

• 전체 유방촬영 영상을 224×224로 크기 조정하고, Otsu의 분할 기법을 적용하여 배경을 제거한다.
• 딥 컨volution 네트워크(예: AlexNet)를 사용하여 유방촬영 영상의 각 패치에서 고차원 특징 맵을 추출한다.
• 특징 맵 전반에 걸쳐 각 패치의 악성 확률을 예측하기 위해 가중치 공유를 적용한 선형 회귀를 적용한다.
• 세 가지 별개의 다중인스턴스 학습 기법을 활용한다: 최대 풀링(가장 높은 확률을 가진 패치를 선택), 레이블 할당(상위-k 패치를 양성으로 할당), 희소성(적은 수의 활성 패치를 장려).
• 각 기법에 맞는 손실 함수를 사용하여 전체 네트워크를 엔드 투 엔드로 훈련한다: 최대 풀링 손실, 레이블 할당 손실, 희소 정규화.
• 제한된 훈련 데이터에서 일반화 성능을 향상시키기 위해 데이터 증강 기법을 활용한다.

실험 결과

연구 질문

• RQ1 딥 다중인스턴스 네트워크는 검출 또는 분할 주석이 필요 없이 강건한 전체 유방촬영 영상 분류를 달성할 수 있는가?
• RQ2 다양한 다중인스턴스 학습 기법(최대 풀링, 레이블 할당, 희소성)은 종양 분류 성능과 강건성 측면에서 어떻게 비교되는가?
• RQ3 ImageNet에서 사전 훈련된 모델을 사용한 전이 학습이 주석이 제한된 의료 영상 분석에서 성능 향상에 얼마나 기여하는가?
• RQ4 종양이 영상의 약 ~2%만 차지하더라도 모델이 악성 패치를 효과적으로 국소화하고 예측할 수 있는가?
• RQ5 중간 단계의 검출 및 분할 주석이 필요한 다단계 파ip라인과 비교해 모델의 성능은 어떻게 되는가?

주요 결과

• 제안된 딥 다중인스턴스 네트워크는 기준 모델(예: 사전 훈련된 AlexNet 및 검출/분할 감독을 받은 미세조정 모델 포함)을 모두 능가하는 INbreast 데이터셋에서 최고의 AUC 성능을 달성했다.
• 레이블 할당 기반의 딥 다중인스턴스 네트워크가 가장 높은 AUC를 기록하여 최대 풀링 및 희소 기법보다 뛰어난 성능을 보였다.
• ImageNet에서 사전 훈련한 모델은 초기 학습보다 7% 성능 향상을 이룩했으며, 딥 특징의 의료 영상으로의 이식 가능성은 확인되었다.
• 사전 훈련된 AlexNet 대비 6%의 AUC 향상과 최대 풀링 기반 MIL 대비 8%의 향상을 기록하여 강력한 일반화 및 강건성을 입증했다.
• 시각화 결과 모델이 패치 전반에 걸쳐 악성 확률을 예측하는 방식으로 학습하는 것으로 나타났으며, 레이블 할당 방법이 최대 풀링보다 작은 종양을 더 잘 포착하는 것으로 확인되었다.
• 희소 다중인스턴스 네트워크는 모델 복잡성과 성능 사이의 균형을 효과적으로 유지하여 민감도와 계산 비용 간의 타협을 제공한다.