[논문 리뷰] Human-Expert-Level Brain Tumor Detection Using Deep Learning with Data Distillation and Augmentation

Diyuan Lu, Nenad Polomac외 3명|arXiv (Cornell University)|2020. 06. 17.

Brain Tumor Detection and Classification참고 문헌 43인용 수 5

한 줄 요약

이 논문은 데이터 정련과 클래스 혼합 데이터 증강을 결합한 딥러닝 프레임워크를 제안하여 노이즈가 많고 데이터가 제한된 자기공명분광법(MRS) 데이터에서 뇌종양 탐지에 인간 전문가 수준의 정확도를 달성한다. 대표적인 샘플을 식별하고, 혼합을 통해 합성 학습 데이터를 생성함으로써 모델의 일반화 능력을 향상시키며, AUC 0.77를 달성하여 감도와 환자 수준 정확도에서 인간 신경영상의학자들을 능가한다.

ABSTRACT

The application of Deep Learning (DL) for medical diagnosis is often hampered by two problems. First, the amount of training data may be scarce, as it is limited by the number of patients who have acquired the condition to be diagnosed. Second, the training data may be corrupted by various types of noise. Here, we study the problem of brain tumor detection from magnetic resonance spectroscopy (MRS) data, where both types of problems are prominent. To overcome these challenges, we propose a new method for training a deep neural network that distills particularly representative training examples and augments the training data by mixing these samples from one class with those from the same and other classes to create additional training samples. We demonstrate that this technique substantially improves performance, allowing our method to reach human-expert-level accuracy with just a few thousand training examples. Interestingly, the network learns to rely on features of the data that are usually ignored by human experts, suggesting new directions for future research.

연구 동기 및 목표

• 의료 딥러닝에서 특히 뇌종양 탐지에 있어 MRS 데이터로부터 제한적이고 노이즈가 많은 학습 데이터 문제를 해결하기 위해.
• 인간이 레이블링한 프로토타입이 필요하지 않은 모델 일반화 능력을 향상시키는 데이터 증강 전략을 개발하기 위해.
• 종양 대비 비종양 MRS 스펙트럼을 분류하는 데서 인간 전문 신경영상의학자들과 동등하거나 이를 초월하는 성능을 달성하기 위해.
• 딥 네ural 네트워크가 인간 전문가가 강조하는 바를 초월해 생물학적으로 관련 있는 특징을 학습하는지 조사하기 위해.

제안 방법

• 두 단계로 구성된 신경망 프레임워크를 사용: 쉽게 분류 가능한 대표적인 학습 샘플을 식별하기 위한 데이터 정련 네트워크.
• 동일하거나 다른 클래스의 대표 샘플을 선형 보간을 통해 혼합하여 합성 학습 샘플을 생성.
• 증강된 데이터셋으로 최종 분류 네트워크를 훈련시켜 강건성과 일반화 능력을 향상.
• 해석 가능성 확보를 위해 합성곱 레이어 이후에 전역 평균 풀링(GAP) 레이어를 적용하여 클래스 활성화 맵(CAM) 시각화를 가능하게 함.
• 수동으로 프로토타입 샘플을 정제할 필요 없이 노이즈가 많고 약한 레이블이 부여된 데이터에 직접 작동.
• 실제 임상 조건을 반영하기 위해 유한한 샘플을 제외한 교차검증을 사용하여 성능 평가.

실험 결과

연구 질문

• RQ1 제한적이고 노이즈가 많은 학습 데이터 조건에서도 딥러닝 모델이 MRS 데이터에서 뇌종양 탐지에 인간 전문가 수준의 성능을 달성할 수 있는가?
• RQ2 데이터 정련과 클래스 혼합 증강이 낮은 데이터 환경에서 모델의 일반화 능력과 강건성을 향상시키는가?
• RQ3 딥 네럴 네트워크가 학습한 특징는 인간 전문가가 사용하는 특징와 일치하거나 상호보완적인가?
• RQ4 클래스 활성화 맵을 통해 시각화된 모델의 주의 집중 영역이 MRS 스펙트럼의 알려진 대사 생물학적 지표와 어떻게 관련이 있는가?

주요 결과

• 제안된 방법은 AUC 0.77를 달성하여 동일한 테스트 세트에서 신경영상의학자 그룹의 집단 성능(AUC: 0.68)을 초월한다.
• 모델은 감도(0.73)와 환자 수준 정확도(0.76)에서 인간 전문가 그룹(감도: 0.54, 정확도: 0.69)보다 높은 성능를 보였다.
• 클래스 활성화 맵은 네트워크가 종양 관련 특징으로 알려진 시트르산, 마이오인오시톨, 지질 피크 등 대사 물질 패턴에 주목하는 것을 보여주며, NAA 피크 이전의 평탄한 영역과 같은 덜 두드러진 영역도 강조한다.
• 네트워크는 인간 전문가가 일반적으로 강조하지 않는 특징, 예를 들어 2-하이드록시글루타르산 영역의 스펙트럼 형태와 여러 대사 물질 패턴의 동시 존재에 의존하는 경향을 보였다.
• 두 클래스의 샘플을 혼합하여 증강하는 것이 다른 증강 설정보다 더 안정적이고 효과적인 결과를 낳는다.
• 이 프레임워크는 노이즈가 많은 레이블과 데이터 부족 문제를 효과적으로 완화하여, 단 몇 천 개의 학습 예제로도 높은 성능를 달성할 수 있었다.