[논문 리뷰] End-to-end Training for Whole Image Breast Cancer Diagnosis using An All Convolutional Design

Li Shen|arXiv (Cornell University)|2017. 11. 15.

AI in cancer detection참고 문헌 20인용 수 47

한 줄 요약

이 논문은 유방암 진단을 위한 종합적인 전이 학습 기반의 전연결형 딥러닝 모델을 제안한다. 유방촬영 영상에서 병변의 주석은 초기 학습 단계에서만 필요하고, 이후에는 영상 수준의 레이블만 필요하다. 초기 약한 supervision 이후 전면 영상 supervision만으로도 DDSM에서 0.91 AUC, INbreast에서 0.96 AUC를 달성하여 최신 기술 수준의 성능을 확보하였다.

ABSTRACT

We develop an end-to-end training algorithm for whole-image breast cancer diagnosis based on mammograms. It requires lesion annotations only at the first stage of training. After that, a whole image classifier can be trained using only image level labels. This greatly reduced the reliance on lesion annotations. Our approach is implemented using an all convolutional design that is simple yet provides superior performance in comparison with the previous methods. On DDSM, our best single-model achieves a per-image AUC score of 0.88 and three-model averaging increases the score to 0.91. On INbreast, our best single-model achieves a per-image AUC score of 0.96. Using DDSM as benchmark, our models compare favorably with the current state-of-the-art. We also demonstrate that a whole image model trained on DDSM can be easily transferred to INbreast without using its lesion annotations and using only a small amount of training data. Code availability: https://github.com/lishen/end2end-all-conv

연구 동기 및 목표

• 전면 영상 유방암 진단에서 고비용의 병변 수준 주석에 대한 의존도를 줄이기 위해.
• 종단 간 학습을 위한 단순하면서도 효과적인 전연결형 아키텍처를 개발하기 위해.
• 이미지 수준의 레이블과 최소한의 피팅만을 사용하여 한 데이터셋에서 다른 데이터셋으로의 전이 학습을 가능하게 하기 위해.
• 높은 진단 성능를 달성하면서도 병변 주석의 부담을 줄이기 위해.

제안 방법

• 전면 유방촬영 영상 처리를 위해 전연결형 신경망을 사용하여 종단 간 학습을 수행한다.
• 모델은 병변 수준의 주석을 사용하여 사전 훈련하여 의심스러운 영역를 국소화한다.
• 사전 훈련 후, 전체 영상 분류를 위해 이미지 수준의 레이블(benign/malignant)만을 사용하여 네트워크를 피팅한다.
• 병변 국소화와 전면 영상 진단을 분리하는 이중 단계 훈련 전략을 통해 주석 의존도를 최소화한다.
• 원천 데이터셋에서 분류기 헤드를 초기화하고, 목표 데이터셋에서 최소한의 데이터로 피팅함으로써 전이 학습을 가능하게 한다.
• 완전 연결 층을 회피함으로써 공간 정보를 유지하고 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 초기 병변 수준의 사전 훈련 이후 이미지 수준의 레이블만을 사용하는 종단 간 딥러닝 모델이 높은 진단 성능를 달성할 수 있는가?
• RQ2 기존 방법과 비교해 병변 수준의 주석 없이 전면 영상 유방암 진단에서 전연결형 설계가 얼마나 효과적인가?
• RQ3 목표 데이터셋에서 병변 주석을 사용하지 않고, 한 데이터셋에서 학습된 모델이 다른 데이터셋으로 얼마나 잘 전이될 수 있는가?
• RQ4 병변 주석 의존도를 줄임으로써 진단 정확도를 유지하면서도 주석 비용을 크게 낮출 수 있는가?

주요 결과

• 가장 우수한 단일 모델은 DDSM 데이터셋에서 per-image AUC 0.88을 달성하였고, 3개 모델 평균을 통해 0.91로 향상되었다.
• INbreast 데이터셋에서는 가장 우수한 단일 모델이 per-image AUC 0.96을 달성하여 도전적인 벤치마크에서 뛰어난 성능을 보였다.
• 사전 훈련 이후 이미지 수준의 레이블만을 사용하는 조건에서, 이전 최신 기술 수준의 방법보다 DDSM 데이터셋에서 더 뛰어난 성능를 보였다.
• 목표 데이터셋에서 병변 주석 없이 DDSM에서 학습한 모델을 INbreast로 전이 학습하는 데 성공하였고, 최소한의 데이터로도 효과적이었다.
• 전연결형 설계 덕분에 완전 연결 층이 포함된 모델보다 더 나은 특징 학습과 일반화 능력을 확보하였다.
• 고비용의 병변 수준 주석 의존도를 크게 줄였지만 높은 진단 정확도를 유지하였다.