[논문 리뷰] Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography

Heyi Li, Dongdong Chen외 3명|arXiv (Cornell University)|2020. 08. 07.

AI in cancer detection참고 문헌 53인용 수 12

한 줄 요약

이 논문은 국소성 유지 학습기(LPL)를 통해 의미적 특징을 추출하고 조건부 그래프 학습기(CGL)를 통해 구조적 경계 모델링을 수행함으로써 유방 종양 세분화와 악성 종양 진단을 동시에 수행하는 이중경로 컨볼루션 신경망인 DualCoreNet을 제안한다. 이 방법은 INbreast 및 DDSM 데이터셋에서 최신 기술(SOTA) 수준의 성능을 달성하였으며, 세분화 작업의 경우 93.69%의 Dice 점수와 진단 작업의 경우 0.92의 AUC를 기록하였다.

ABSTRACT

Deep convolutional neural networks (CNNs) have emerged as a new paradigm for Mammogram diagnosis. Contemporary CNN-based computer-aided-diagnosis (CAD) for breast cancer directly extract latent features from input mammogram image and ignore the importance of morphological features. In this paper, we introduce a novel deep learning framework for mammogram image processing, which computes mass segmentation and simultaneously predict diagnosis results. Specifically, our method is constructed in a dual-path architecture that solves the mapping in a dual-problem manner, with an additional consideration of important shape and boundary knowledge. One path called the Locality Preserving Learner (LPL), is devoted to hierarchically extracting and exploiting intrinsic features of the input. Whereas the other path, called the Conditional Graph Learner (CGL) focuses on generating geometrical features via modeling pixel-wise image to mask correlations. By integrating the two learners, both the semantics and structure are well preserved and the component learning paths in return complement each other, contributing an improvement to the mass segmentation and cancer classification problem at the same time. We evaluated our method on two most used public mammography datasets, DDSM and INbreast. Experimental results show that DualCoreNet achieves the best mammography segmentation and classification simultaneously, outperforming recent state-of-the-art models.

연구 동기 및 목표

• 수작업 특징에 의존하고 세분화 및 분류 파이프라인을 별도로 운영하는 전통적 CAD 시스템의 한계를 해결하기 위해.
• 엔드 투 엔드 딥 러닝 프레임워크 내에서 세분화와 분류를 공동으로 학습하여 유방암 진단 정확도를 향상시키기 위해.
• 이중경로 아키텍처를 통해 이미지에서 유도된 의미적 특징과 마스크 상관관계에서 유도된 구조적 경계 특징을 통합함으로써 모델 성능을 향상시키기 위해.
• 그래프 모델링을 통해 은닉적으로 마스크 감독을 활용함으로써 픽셀 단위의 고비용 애너테이션에 대한 의존도를 줄이기 위해.
• 다중 척도 영역(ROI) 입력을 사용하여 고해상도 및 저해상도 유방촬영 영상 모두에서 뛰어난 성능을 달성하기 위해.

제안 방법

• DualCoreNet은 이중경로 아키텍처를 사용한다: 국소성 유지 학습기(LPL)는 스택된 컨볼루션 블록을 통해 다중 척도 ROI에서 계층적 의미적 특징을 추출한다.
• 조건부 그래프 학습기(CGL)는 이미지와 이진 마스크 간의 픽셀 간 상관관계를 모델링하여 구조적 특징을 생성함으로써 형태와 경계 세부 정보를 유지한다.
• 두 경로는 분류 및 세분화 목표를 결합한 융합 손실($\ell_{\textrm{Fusion}}$)을 통해 공동으로 훈련되며, 초수치 $\gamma$를 통한 가중치 조정이 가능하다.
• CGL 경로는 구조적 일관성을 강제하기 위해 그래프 추론 레이어를 사용하여 부적절한 세분화 영역을 감소시키고 경계 정확도를 향상시킨다.
• 다중 척도 ROI는 진단에 관련된 맥락적 조직 정보를 캡처하면서도 세분화 정확도를 유지하기 위해 입력으로 사용된다.
• 깊이 있는 아키텍처에서 경량화 및 기울기 흐름 향상을 위해 두 경로에 선택적 잔차 연결을 적용할 수 있다.

실험 결과

연구 질문

• RQ1 이중경로 CNN 아키텍처가 현재의 최신 기술(SOTA) 수준을 초월하여 유방 종양 세분화와 악성 종양 진단을 동시에 향상시킬 수 있는가?
• RQ2 CGL을 통한 구조적 경계 모델링과 LPL을 통한 의미적 특징 학습을 통합함으로써 단일 경로 네트워크에 비해 진단 성능가 개선되는가?
• RQ3 유방촬영 영상의 다중 작업 학습 프레임워크에서 세분화와 분류 손실 간의 최적 균형은 무엇인가?
• RQ4 다중 척도 ROI의 사용이 저해상도 환경에서 세분화 및 분류 작업 성능 향상에 기여하는가?
• RQ5 훈련 데이터셋의 품질(예: INbreast 대비 DDSM)이 제안된 이중경로 네트워크의 일반화 능력과 성능에 미치는 영향은 무엇인가?

주요 결과

• DualCoreNet은 INbreast 및 DDSM 데이터셋 모두에서 최고의 세분화 성능를 기록하였으며, INbreast에서 93.69%의 Dice 점수와 DDSM에서 92.17%의 점수를 기록하여 기존 SOTA 방법을 모두 능가하였다.
• INbreast 데이터셋에서 악성 종양 진단에 대해 0.92의 AUC 점수를 기록하여 평가된 모든 아키텍처 중 최고 성능를 달성하였다.
• INbreast에서 CGL 경로의 최적 설정은 $\gamma = 0.65$(잔차 연결 없음)였고, DDSM에서는 잔차 학습을 사용한 $\gamma = 0.42$가 최적이었으며, 이는 데이터셋별 손실 가중치 최적화의 이점이 있음을 시사한다.
• 제거 실험 결과, LPL 및 CGL 경로의 손실를 함께 훈련할 경우 가장 뛰어난 분류 성능를 기록하였으며, Fusion + LPL 경로 설정이 두 번째로 높은 성능를 기록하였다.
• 시각적 결과는 그래프 추론 레이어에 의해 구조적 일관성이 강제됨으로써 DualCoreNet이 미세한 경계 세부 정보와 비정상적인 형태를 정확히 포착하고, 부적절한 영역이 없는 것으로 확인되었다.
• 모델은 훨씬 더 높은 품질의 INbreast 데이터셋에서 DDSM보다 뚜렷한 성능 향상을 보였으며, 이는 데이터 품질의 차이가 주요 원인으로 작용하였다.