[논문 리뷰] Globally-Aware Multiple Instance Classifier for Breast Cancer Screening

Yiqiu Shen, Nan Wu외 6명|arXiv (Cornell University)|2019. 06. 07.

AI in cancer detection참고 문헌 14인용 수 5

한 줄 요약

이 논문은 고해상도 mammogram에서 전역적 사활성 지ap(attention map)와 패치 수준의 특징을 결합하여 방사선의사 수준의 성능을 달성하는 전역 인식 다중 예비 분류기(GMIC)를 제안한다. 이미지 수준의 레이블만을 사용하여 해석 가능한 픽셀 수준의 사활성 지도를 생성하며, ResNet 기반 베이스라인을 능가하여 대규모 테스트 세트에서 AUC 0.876을 기록하고, 인간-기계 혼합 모델에서는 0.883을 달성한다.

ABSTRACT

Deep learning models designed for visual classification tasks on natural images have become prevalent in medical image analysis. However, medical images differ from typical natural images in many ways, such as significantly higher resolutions and smaller regions of interest. Moreover, both the global structure and local details play important roles in medical image analysis tasks. To address these unique properties of medical images, we propose a neural network that is able to classify breast cancer lesions utilizing information from both a global saliency map and multiple local patches. The proposed model outperforms the ResNet-based baseline and achieves radiologist-level performance in the interpretation of screening mammography. Although our model is trained only with image-level labels, it is able to generate pixel-level saliency maps that provide localization of possible malignant findings.

연구 동기 및 목표

• 작은 임상적으로 중요한 관심 영역이 있는 고해상도 의료 영상의 분류 과제를 해결하기 위해.
• 사활성 지도에서의 전역적 맥락과 다수의 영상 패치에서 유도된 세밀한 국소적 세부 정보를 통합하여 분류 성능을 향상시키기 위해.
• 픽셀 수준의 애너테이션을 요구하지 않고도 해석 가능한 픽셀 수준의 사활성 지도를 생성함으로써 약한 지도 학습 기반의 국소화를 가능하게 하기 위해.
• 주의 메커니즘을 통해 의심스러운 병변을 강조함으로써 방사선의사가 이해할 수 있는 모델을 개발하기 위해.
• 기존의 딥 러닝 기반 모델을 능가하고 스크리닝 유방 mammography에서 방사선의사 수준의 진단 정확도를 달성하기 위해.

제안 방법

• 고해상도 mammogram을 위한 전체 해상도 특징을 유지하기 위해 글로벌 평균 풀링 없이 ResNet-22 백본을 사용한다.
• 1×1 컨볼루션과 시그모이드 활성화 함수를 사용하여 클래스별 사활성 지도(SM)를 생성하는 국소화 모듈을 설계한다.
• 감지 모듈은 사활성 지도에서 상위 K개의 높은 점수를 가진 패치를 ROI 제안으로 선택하여 추가 분석을 위해 활용한다.
• 다중 예비 학습(MIL) 프레임워크는 주의 메커니즘을 사용하여 패치 수준의 특징을 집계하여 최종 이미지 수준의 예측을 도출한다.
• 최종 예측은 국소화 및 MIL 구성 요소의 가중 조합이며, 주의 메커니즘은 종단 간(end-to-end)으로 학습된다.
• 이 모델은 종단 간으로 학습되며, 이미지 수준의 레이블만을 사용하여 약한 지도 학습 기반의 국소화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 이미지 수준의 레이블만을 사용하여 방사선의사 수준의 성능을 달성할 수 있는가?
• RQ2 전역적 사활성 지도와 국소적 패치 수준의 특징을 효과적으로 통합하여 고해상도 의료 영상의 분류 성능을 향상시킬 수 있는가?
• RQ3 주의 기반 패치 선택 통합이 병변 국소화의 정확도와 해석 가능성 양면에서 향상되는가?
• RQ4 실제 스크리닝 환경에서 모델의 성능이 방사선의사와 비교하여 어떻게 되는가?
• RQ5 경계 상자 또는 세그멘테이션 애너테이션 없이도 신뢰할 수 있는 픽셀 수준의 사활성 지도를 생성할 수 있는가?

주요 결과

• 앙상블 GMIC 모델은 비교 독자 연구에서 평균(0.778)과 최고 개인 독자(0.860)를 뛰어넘어 테스트 세트에서 AUC 0.876을 달성했다.
• 인간-기계 혼합 모델은 GMIC와 독자의 예측을 평균화하여 AUC 0.883을 기록했으며, 인간과 기계의 상호보완적 강점을 보여주었다.
• 악성 병변에 대해 분류 AUC는 0.886, 양성 병변에 대해 0.780을 기록했으며, 악성 병변의 국소화 F1 스코어는 0.207이었다.
• MIL 모듈의 주의 메커니즘이 필수적이었다. 주의 기반 없이 학습된 모델(GMIC-noattn)은 성능이 열등하여 주의 메커니즘이 정보성 패치에 집중하는 데 기여함을 확인했다.
• 시각화 결과 사활성 지도와 주의 점수는 진짜 병변과 잘 일치했지만, 일부 경우에 큰 병변의 가장 정보성 있는 부분에만 집중하는 경향을 보였다.
• 국소화 및 MIL 구성 요소의 조합(GMIC-loc+mil)은 개별 구성 요소보다 우수한 성능을 보였으며, 전역적 정보와 국소적 정보의 상호보완적 작용을 입증했다.