[논문 리뷰] Inception Architecture and Residual Connections in Classification of Breast Cancer Histology Images

Mohammad Ibrahim Sarker, Hyongsuk Kim외 2명|arXiv (Cornell University)|2019. 12. 10.

AI in cancer detection참고 문헌 17인용 수 4

한 줄 요약

이 논문은 ICIAR-2018 챌린지에서 제공한 유방암 조직병리 영상의 다중 분류를 위해 Inception v4 아키텍처에 잔차 연결을 적용하고, 광범위한 데이터 증강과 앙상블 학습을 사용한다. 4개 클래스 분류 과제에서는 89%의 정확도를 달성하였고, 이중 분류 과제(암/비암)에서는 93.7%의 정확도를 기록하여 총 50개 팀 중 23위를 차지하였다.

ABSTRACT

This paper presents results of applying Inception v4 deep convolutional neural network to ICIAR-2018 Breast Cancer Classification Grand Challenge, part a. The Challenge task is to classify breast cancer biopsy results, presented in form of hematoxylin and eosin stained images. Breast cancer classification is of primary interest to the medical practitioners and thus binary classification of breast cancer images have been under investigation by many researchers, but multi-class categorization of histology breast images have been challenging due to the subtle differences among the categories. In this work extensive data augmentation is conducted to reduce overfitting and effectiveness of committee of several Inception v4 networks is studied. We report 89% accuracy on 4 class classification task and 93.7% on carcinoma/non-carcinoma two class classification task using our test set of 80 images.

연구 동기 및 목표

• 유방암 조직병리 영상에서 카테고리 간 미세한 형태학적 차이를 보이는 다중 분류 과제를 해결하기 위해.
• 과적합을 줄이기 위해 광범위한 데이터 증강을 적용하여 딥 러닝 모델의 일반화 성능을 향상시키기 위해.
• 여러 개의 Inception v4 네트워크를 사용한 앙상블 학습의 효과를 평가하여 분류 성능 향상을 도모하기 위해.
• H&E 염색 유방 생검 영상의 양성/악성 분류 및 4개 카테고리 분류 과제에서 높은 정확도를 달성하기 위해.

제안 방법

• 연구는 다중 크기의 병렬 컨볼루션 필터를 사용하여 다중 척도 특징을 캡처하는 인셉션 모듈을 활용하는 Inception v4 아키텍처를 사용한다.
• 깊은 아키텍처의 훈련을 용이하게 하고 기울기 흐름을 향상시키기 위해 Inception v4 네트워크에 잔차 연결을 통합한다.
• 훈련 데이터의 다양성을 높이고 과적합을 줄이기 위해 무작위 자르기, 뒤집기, 회전, 색상 왜곡 등의 광범위한 데이터 증강 기법을 적용한다.
• 예측의 견고성과 정확도를 향상시키기 위해 투표 또는 평균화 방식을 사용하여 여러 훈련된 Inception v4 모델의 앙상블을 활용한다.
• 모델은 테스트 세트로 80장의 이미지가 포함된 ICIAR-2018 유방암 분류 대회 데이터셋을 사용하여 훈련 및 평가된다.
• 정확도를 포함한 표준 평가 지표를 사용하여 4개 클래스 및 양성/악성 분류 과제에서 결과를 보고한다.

실험 결과

연구 질문

• RQ1 Inception v4 아키텍처에 잔차 연결을 적용한 모델이 유방암 유형 간 미세한 조직병리학적 차이를 효과적으로 분류할 수 있는가?
• RQ2 광범위한 데이터 증강 기법은 제한된 의료 영상 데이터셋에서 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ3 여러 개의 Inception v4 모델을 사용한 앙상블 학습이 단일 모델 대비 분류 정확도 향상에 기여하는가?
• RQ4 양성/악성 분류 및 다중 클래스 분류 과제에서 어떤 정도의 성능을 달성할 수 있는가?

주요 결과

• 4개 클래스 분류 과제에서 모델은 89%의 정확도를 기록하여 미세한 조직병리학적 구분에서 뛰어난 성능을 보였다.
• 양성/악성 분류 과제에서 모델은 80장의 테스트 세트에서 93.7%의 정확도를 달성하였다.
• 광범위한 데이터 증강 기법의 적용으로 과적합이 크게 감소하였고, 검증 및 테스트 세트에서 모델의 일반화 능력이 향상되었다.
• 여러 Inception v4 네트워크로 구성된 앙상블은 단일 모델보다 뛰어난 성능을 보였으며, 이는 더 높은 견고성과 예측 안정성을 의미한다.
• ICIAR-2018 유방암 분류 대회에서 총 50개 팀 중 23위를 기록하여 성과를 확보하였다.