[논문 리뷰] High-Resolution Breast Cancer Screening with Multi-View Deep Convolutional Neural Networks

Krzysztof J. Geras, Stacey Wolfson외 8명|arXiv (Cornell University)|2017. 03. 21.

AI in cancer detection참고 문헌 3인용 수 195

한 줄 요약

저자들은 네 가지 고해상도 유방촬영 뷰를 처리하는 다-view 심층 합성 네트워크 MV-DCN을 개발하여 BI-RADS 카테고리를 예측하고, 데이터 규모와 해상도 중요성 및 독자 연구(reader-study) 성능에서 경쟁력을 시연합니다.

ABSTRACT

Advances in deep learning for natural images have prompted a surge of interest in applying similar techniques to medical images. The majority of the initial attempts focused on replacing the input of a deep convolutional neural network with a medical image, which does not take into consideration the fundamental differences between these two types of images. Specifically, fine details are necessary for detection in medical images, unlike in natural images where coarse structures matter most. This difference makes it inadequate to use the existing network architectures developed for natural images, because they work on heavily downscaled images to reduce the memory requirements. This hides details necessary to make accurate predictions. Additionally, a single exam in medical imaging often comes with a set of views which must be fused in order to reach a correct conclusion. In our work, we propose to use a multi-view deep convolutional neural network that handles a set of high-resolution medical images. We evaluate it on large-scale mammography-based breast cancer screening (BI-RADS prediction) using 886,000 images. We focus on investigating the impact of the training set size and image size on the prediction accuracy. Our results highlight that performance increases with the size of training set, and that the best performance can only be achieved using the original resolution. In the reader study, performed on a random subset of the test set, we confirmed the efficacy of our model, which achieved performance comparable to a committee of radiologists when presented with the same data.

연구 동기 및 목표

• 다운스케일링 없이 전체 해상도 다뷰 유방촬영술에 딥러닝을 적용하는 방법을 조사한다.
• BI-RADS 예측 성능에 대한 학습 데이터 크기의 영향을 평가한다.
• 입력 이미지 해상도가 모델 정확도에 미치는 영향을 평가한다.
• 모델 결정 시각화 및 독자 연구에서 방사선 전문의 성능과의 비교를 수행한다.

제안 방법

• 네 개의 뷰별 컬럼(L-CC, R-CC, L-MLO, R-MLO)을 갖는 MV-DCN을 개발하고, 각 뷰의 표현을 최종 분류를 위해 연결(concatenate)한다.
• 각 뷰를 위한 전용 합성곱-풀링 스택으로 처리하고, 연결(concatenation) 전에 글로벌 평균 풀링을 적용한다.
• 왼쪽/오른쪽 뷰 쌍 간 가중치를 공유하며 엔드 투 엔드로 학습하고, 데이터 증강, 입력 노이즈, 드롭아웃을 적용한다; 2600x2000의 큰 고해상도 입력에서 Adam으로 최적화한다.
• 초기 층에서 공격적인 초기 다운샘플링을 사용해 고해상도 입력의 가능성을 유지하고, 연결 전에 최종 특징 맵을 평균화해 차원을 감소시킨다.

실험 결과

연구 질문

• RQ1 다운스케일링된 접근 방식과 비교했을 때 고해상도 입력을 유지하는 것이 BI-RADS 예측에 더 나은가요?
• RQ2 학습 데이터의 크기가 BI-RADS 분류에서 MV-DCN 성능에 어떤 영향을 미치나요?
• RQ3 BI-RADS 카테고리에 대한 예측 정확도에 대한 입력 해상도 효과는 무엇인가요?
• RQ4 MV-DCN 성능이 방사선 전문의와 비교되거나 방사선 전문의와 MV-DCN의 앙상블과 비교되었을 때 어떤 차이가 있나요?
• RQ5 해당 예측의 신뢰도(예측 엔트로피)를 사용해 높은 정확도의 예측 하위 집합을 식별할 수 있나요?

주요 결과

• 더 큰 학습 데이터와 함께 성능이 향상됩니다(macAUC가 학습 크기가 1%에서 100%로 증가함에 따라 증가합니다).
• 입력을 다운스케일링하면 성능이 저하되고, 전체 해상도 입력이 최상의 결과를 제공합니다(예: 전체 입력에서 macAUC가 스케일된 입력보다 더 높음).
• 더 높은 신뢰도 예측(낮은 엔트로피)은 더 높은 정확도와 상관관계가 있으며(고신뢰도 하위집합에서 HC-macAUC가 macAUC를 상회).
• 독자 연구에서 방사선 전문의의 macAUC는 0.704, MV-DCN은 0.688, 방사선 전문가와 MV-DCN의 앙상블은 0.735를 달성했다.
• 네 가지 뷰 입력을 갖춘 MV-DCN은 동일 데이터에서 BI-RADS 예측에 대해 위원회 수준의 방사선 전문의 성능과 일치할 수 있다.