[논문 리뷰] Impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning

Michał Byra, Tomasz Sznajder외 5명|arXiv (Cornell University)|2018. 04. 06.

AI in cancer detection참고 문헌 16인용 수 7

한 줄 요약

이 연구는 전이 학습을 사용한 유방 병변 분류에서 초음파 영상 복원 방법의 영향을 조사한다. B모드 복원 중 압축 임계값을 다양하게 조절하고, 서로 다른 방식으로 복원된 영상을 활용한 데이터 증강을 통해 분류의 강인성을 향상시켰으며, InceptionV3를 사용하여 AUC 0.857을 달성하였다. 이는 복원 변동성이 의료 영상에서 딥 러닝 성능에 상당한 영향을 미친다는 것을 보여준다.

ABSTRACT

Deep learning algorithms, especially convolutional neural networks, have become a methodology of choice in medical image analysis. However, recent studies in computer vision show that even a small modification of input image intensities may cause a deep learning model to classify the image differently. In medical imaging, the distribution of image intensities is related to applied image reconstruction algorithm. In this paper we investigate the impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning. Due to high dynamic range raw ultrasonic signals are commonly compressed in order to reconstruct B-mode images. Based on raw data acquired from breast lesions, we reconstruct B-mode images using different compression levels. Next, transfer learning is applied for classification. Differently reconstructed images are employed for training and evaluation. We show that the modification of the reconstruction algorithm leads to decrease of classification performance. As a remedy, we propose a method of data augmentation. We show that the augmentation of the training set with differently reconstructed B-mode images leads to a more robust and efficient classification. Our study suggests that it is important to take into account image reconstruction algorithms implemented in medical scanners during development of computer aided diagnosis systems.

연구 동기 및 목표

• 딥 러닝 기반의 유방 병변 분류에 있어 초음파 영상 복원 알고리즘의 영향을 조사하는 것.
• 복원 차이로 인해 입력 영상 강도가 변할 경우 딥 러닝 모델의 불안정성을 해결하는 것.
• 다양한 복원 설정을 학습 과정에 통합하여 분류 강인성을 향상시키는 것.
• 다양한 복원 설정으로 구성된 B모드 영상 증강을 통해 모델의 일반화 능력 향상이 가능함을 보여주는 것.

제안 방법

• 연구용 초음파 스캐너를 사용해 251개의 유방 병변에서 원시 초음파 데이터를 확보하였다.
• 다양한 임계값(40 dB, 50 dB, 60 dB)을 사용한 로그 압축을 통해 B모드 영상을 복원하였다.
• 복원된 영상에 대해 사전 학습된 InceptionV3 및 VGG19 모델을 사용해 전이 학습을 적용하였다.
• 다른 임계값으로 복원된 영상을 조합한 증강된 데이터셋(Train_ALL)을 기반으로 분류기를 학습시켰다.
• 학습 시 사용된 복원 방식과 동일한 방식, 다른 방식으로 복원된 테스트 세트 두 개에서 성능을 평가하였다.
• 다양한 복원 및 증강 전략 간 분류 성능를 비교하기 위해 AUC를 주요 평가 지표로 사용하였다.

실험 결과

연구 질문

• RQ1 초음파 영상 복원 파rameter의 변동이 유방 병변 분류에서 딥 러닝 모델의 성능에 어떤 영향을 미치는가?
• RQ2 다른 방식으로 복원된 B모드 영상 증강이 전이 학습 모델의 강인성에 얼마나 기여하는가?
• RQ3 다양한 복원 변형을 기반으로 학습한 모델이 다른 설정으로 복원된 영상에서 테스트할 경우 더 나은 일반화 성능를 보이는가?
• RQ4 다양한 압축 임계값이 병변의 윤곽 및 질감과 같은 특징의 가시성에 어떤 영향을 미치는가?
• RQ5 다양한 복원 설정에서 학습된 단일 CADx 시스템이 다양한 스캐너 프로토콜에서 높은 성능를 유지할 수 있는가?

주요 결과

• 학습 시 사용된 복원 방식과 다른 방식으로 복원된 테스트 영상에서는 분류 성능가 심각하게 떨어지며, 이는 복원 파rameter에 민감함을 시사한다.
• 다양한 복원 임계값을 사용한 데이터 증강(Train_ALL)이 다양한 복원 설정 간 모델의 강인성과 일반화 능력을 향상시켰다.
• InceptionV3와 Train_ALL 조합에서 가장 뛰어난 종합 분류 성능를 달성하였으며, AUC는 0.857을 기록하였다.
• 동일한 증강 전략을 사용한 VGG19는 AUC 0.822를 기록하여 기준 학습 대비 일관된 향상을 보였다.
• 높은 압축 임계값(예: 60 dB)은 가장자리 대trast를 향상시켜 악성과 관련된 형태학적 특징을 강조할 수 있었으며, 이는 성능 차이를 설명할 수 있다.
• 연구는 스캐너별로 다른 복원 알고리즘이 CADx 시스템 개발 시 고려되어야 하며, 입력 데이터의 분포 이질성을 유발할 수 있음을 강조한다.