[논문 리뷰] Improving Breast Cancer Detection using Symmetry Information with Deep Learning

Yeman Brhane Hagos, Albert Gubern Mérida외 1명|arXiv (Cornell University)|2018. 08. 17.

AI in cancer detection참고 문헌 11인용 수 7

한 줄 요약

이 논문은 유방의 이중 대칭성을 활용하여 유방촬영에서 종양 탐지 성능을 햖थ한 다중 입력 합성곱 신경망(CNN)을 제안한다. 쌍으로 구성된 좌우 유방 영역을 기반으로 훈련함으로써 모델은 대칭성의 차이를 학습하여 가짜 양성 결과를 줄이며, 검사 수준에서 CPM 0.733(p=0.001)을 달성하여 기준 모델보다 유의미한 향상을 보였지만, 후보자 수준에서 AUC 향상은 유의미하지 않았다.

ABSTRACT

Convolutional Neural Networks (CNN) have had a huge success in many areas of computer vision and medical image analysis. However, there is still an immense potential for performance improvement in mammogram breast cancer detection Computer-Aided Detection (CAD) systems by integrating all the information that the radiologist utilizes, such as symmetry and temporal data. In this work, we proposed a patch based multi-input CNN that learns symmetrical difference to detect breast masses. The network was trained on a large-scale dataset of 28294 mammogram images. The performance was compared to a baseline architecture without symmetry context using Area Under the ROC Curve (AUC) and Competition Performance Metric (CPM). At candidate level, AUC value of 0.933 with 95% confidence interval of [0.920, 0.954] was obtained when symmetry information is incorporated in comparison with baseline architecture which yielded AUC value of 0.929 with [0.919, 0.947] confidence interval. By incorporating symmetrical information, although there was no a significant candidate level performance again (p = 0.111), we have found a compelling result at exam level with CPM value of 0.733 (p = 0.001). We believe that including temporal data, and adding benign class to the dataset could improve the detection performance.

연구 동기 및 목표

• 의료진이 제공하는 대칭 정보를 딥러닝 모델에 통합하여 유방촬영에서 컴퓨터 보조 진단(CAD)의 성능을 향상시키는 것.
• 좌우 유방 영역 간의 대칭성 차이를 학습하여 가짜 양성 탐지 수를 줄이는 것.
• 대칭성 인식 특징이 후보자 수준과 검사 수준에서의 탐지 성능 향상에 기여하는지 평가하는 것.
• 데이터 증강 및 대측 유방 영상 누락 처리 방식이 모델의 강건성에 미치는 영향을 조사하는 것.
• 향후 시간적 데이터 통합 및 양성 종양 구분 기능을 통해 성능 향상을 도모하는 것.

제안 방법

• 좌우 유방 유사 영역를 비교하기 위해 패치 기반의 이중 입력 CNN를 설계하였으며, 거울 영상 패치를 입력으로 사용하였다.
• 대칭성은 주 패치와 대측 유방에서 정확히 반사된 패치를 쌍으로 묶어 모델링하였으며, 이로써 네트워크는 종양을 나타내는 비대칭성을 학습할 수 있도록 하였다.
• 데이터 증강은 패치를 무작위로 뒤집고, 대측 영상이 누락된 경우 0으로 구성된 행렬을 대체로 사용하였다.
• 모델는 환자 수준에서 훈련, 검증, 테스트 세트로 분할된 대규모 데이터셋(7,196건의 검사에서 28,294장의 유방촬영 영상)을 기반으로 훈련되었다.
• 성능 평가는 후보자 수준에서 AUC와 영상 및 검사 수준에서 경쟁 성능 지표(CPM)를 사용하였다.
• 대칭성 정보 없이 훈련된 기준 모델과 비교하여 탐지 정확도 향상과 가짜 양성 결과 감소의 증가 효과를 평가하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델에 이중 대칭성을 통합함으로써 유방촬영에서 종양 탐지 성능을 향상시킬 수 있는가?
• RQ2 대칭성 정보를 포함한 모델이 기준 CNN보다 유의미하게 가짜 양성 결과를 줄일 수 있는가?
• RQ3 데이터 증강 및 대측 영상 누락 처리 방식이 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ4 대칭 기반 학습이 임상적 결정이 내려지는 검사 수준에서 탐지 성능 향상에 기여하는가?
• RQ5 향후 시간적 데이터 통합 및 양성 종양과 정상 조직의 구분 기능 통합을 통해 성능 향상이 가능할 수 있는가?

주요 결과

• 대칭성 인식 모델은 후보자 수준에서 AUC 0.933(95% 신뢰구간: [0.919, 0.947])을 기록하였으며, 기준 AUC 0.929보다 略로 높았지만, 통계적으로 유의미하지 않았다(p=0.111).
• 검사 수준에서 대칭성 모델은 CPM 0.733(95% 신뢰구간: [0.721, 0.823])을 달성하였으며, 기준 모델(CPM: 0.682, p=0.001)보다 유의미하게 뛰어났다.
• 데이터 증강을 적용한 모델은 AUC 0.933을 기록한 반면, 증강 없이 훈련한 경우 AUC 0.910으로, 증강이 일반화 능력을 향상시켰음을 시사하였다.
• 대측 패치가 누락된 경우, 대칭성 모델은 AUC 0.866(95% 신뢰구간: [0.788, 0.930])를 기록하여 불완전한 데이터에 대한 강건성을 입증하였다.
• 시각적 분석 결과, 대칭성 통합으로 잘못 분류된 경우가 수정됨을 확인: 기준 확률이 <0.2인 악성 종양은 >0.7의 확률로 정확히 분류되었고, 가짜 양성으로 오분류된 패치는 <0.1의 악성 확률로 재분류되었다.
• 연구 결과, 시간적 데이터 통합 및 양성 종양과 정상 케이스의 구분 기능 통합을 통해 추가적인 성능 향상이 가능할 것으로 제안되었다.