[논문 리뷰] Fully automatic computer-aided mass detection and segmentation via pseudo-color mammograms and Mask R-CNN

Hang Min, Devin Wilson외 5명|arXiv (Cornell University)|2019. 06. 28.

AI in cancer detection참고 문헌 17인용 수 5

한 줄 요약

이 논문은 허위 색상 변환과 Mask R-CNN을 사용하여 유방 엑스레이에서 종양을 동시에 검출하고 분할하는 완전 자동화된 컴퓨터 지원 진단 시스템을 제시한다. Mask R-CNN에 전이 학습을 적용하기 이전에 다중 척도 형태학적 걸러내기를 통해 종양 유사 패턴을 향상시킴으로써, 이 방법은 INbreast 데이터셋에서 1장당 0.9개의 위양성과 함께 90%의 참 양성률을 달성하고, 분할 작업에 대해 0.88의 Dice 유사도 지수를 기록한다.

ABSTRACT

Mammographic mass detection and segmentation are usually performed as serial and separate tasks, with segmentation often only performed on manually confirmed true positive detections in previous studies. We propose a fully-integrated computer-aided detection (CAD) system for simultaneous mammographic mass detection and segmentation without user intervention. The proposed CAD only consists of a pseudo-color image generation and a mass detection-segmentation stage based on Mask R-CNN. Grayscale mammograms are transformed into pseudo-color images based on multi-scale morphological sifting where mass-like patterns are enhanced to improve the performance of Mask R-CNN. Transfer learning with the Mask R-CNN is then adopted to simultaneously detect and segment masses on the pseudo-color images. Evaluated on the public dataset INbreast, the method outperforms the state-of-the-art methods by achieving an average true positive rate of 0.90 at 0.9 false positive per image and an average Dice similarity index of 0.88 for mass segmentation.

연구 동기 및 목표

• 사용자 간섭 없이 종양 검출 및 분할을 동시에 수행하는 완전 통합형 엔드 투 엔드 컴퓨터 지원 진단 시스템을 개발하는 것.
• 이전 방법들이 검출과 분할을 별도로 순차적으로 처리하는 데서 비롯되는 한계를 극복하는 것.
• 허위 색상 변환을 통해 회색조 유방 엑스레이의 종양 유사 패턴을 향상시켜 검출 및 분할 성능을 향상시키는 것.
• 허위 색상 이미지에서 Mask R-CNN를 사용한 전이 학습을 통해 동시에 개별 객체 수준의 검출 및 분할을 수행하는 것.
• 공개된 INbreast 데이터셋에서 방법을 평가하고 최신 기술 수준의 성능을 입증하는 것.

제안 방법

• 다중 척도 형태학적 걸러내기를 사용해 회색조 유방 엑스레이를 종양 유사 구조를 강조하는 허위 색상 이미지로 변환하는 것.
• 종양과 관련된 무늬와 밝기 변화를 증폭시키는 허위 색상 변환을 적용하는 것.
• 허위 색상 유방 엑스레이에 대해 미세조정된 전이 학습을 사용한 Mask R-CNN을 활용해 검출 및 인스턴스 분할을 동시에 수행하는 것.
• 변환된 이미지에서 Mask R-CNN 모델을 엔드 투 엔드로 훈련하여 종양에 대한 바운딩 박스와 분할 마스크를 예측하는 것.
• 작고 미세한 종양 패턴에 대한 민감도를 향상시키기 위해 다중 척도 특징 추출 전략을 사용하는 것.
• 분할 정확도 평가의 주요 지표로 Dice 유사도 계수를 사용하는 것.

실험 결과

연구 질문

• RQ1 완전 자동 CAD 시스템이 사용자 간섭 없이 종양 검출 및 분할에서 높은 성능을 달성할 수 있는가?
• RQ2 형태학적 걸러내기를 기반으로 한 허위 색상 변환이 유방 엑스레이에서 종양 유사 패턴의 탐지 가능성을 향상시키는가?
• RQ3 전이 학습을 적용한 Mask R-CNN가 허위 색상 유방 엑스레이에서 동시에 검출 및 분할을 효과적으로 수행할 수 있는가?
• RQ4 검출 및 분할 성능 측면에서 제안된 방법은 최신 기술 수준의 접근 방식과 비교해 어떻게 성과를 내는가?
• RQ5 다중 척도 형태학적 걸러내기가 종양 검출의 강인성과 민감도에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 INbreast 데이터셋에서 1장당 0.9개의 위양성과 함께 참 양성률 0.90을 달성하여 최신 기술 수준의 방법들을 능가한다.
• 종양 분할의 평균 Dice 유사도 지수는 0.88에 도달하여 예측 마스크와 진짜 마스크 간의 높은 겹침을 나타낸다.
• 허위 색상 변환의 통합은 미세한 종양 패턴의 가시성을 크게 향상시켜 모델의 일반화 능력을 향상시킨다.
• Mask R-CNN를 사용한 전이 학습을 통해 별도의 훈련 단계 없이도 효과적인 동시 검출 및 분할을 수행할 수 있다.
• 작고 비정형적인 형태의 종양을 포함한 다양한 유방 엑스레이 시각 및 종양 특성에 대해 강인한 성능을 보여준다.
• 통합된 딥 러닝 프레임워크를 통한 동시 검출 및 분할이 순차적 접근 방식에 비해 효율성과 정확도를 향상시킨다는 것이 결과적으로 확인되었다.