[논문 리뷰] Mammograms Classification: A Review

Marawan Elbatel|arXiv (Cornell University)|2022. 03. 04.

AI in cancer detection인용 수 4

한 줄 요약

이 리뷰는 유방 조영촬영에서 악성 및 양성 유방 종양을 분류하기 위한 딥러닝 및 전통적 기계학습 기법을 평가하며, 수동으로 세그먼트된 영역과 자동으로 세그먼트된 영역을 비교한다. 특히 딥러닝 모델, 특히 앙상블 및 약한 감독 학습 네트워크가 정확도(AUC +0.11)에서 방사선의사보다 뛰어나며, 전통적 방법을 능가함을 강조한다.

ABSTRACT

An advanced reliable low-cost form of screening method, Digital mammography has been used as an effective imaging method for breast cancer detection. With an increased focus on technologies to aid healthcare, Mammogram images have been utilized in developing computer-aided diagnosis systems that will potentially help in clinical diagnosis. Researchers have proved that artificial intelligence with its emerging technologies can be used in the early detection of the disease and improve radiologists' performance in assessing breast cancer. In this paper, we review the methods developed for mammogram mass classification in two categories. The first one is classifying manually provided cropped region of interests (ROI) as either malignant or benign, and the second one is the classification of automatically segmented ROIs as either malignant or benign. We also provide an overview of datasets and evaluation metrics used in the classification task. Finally, we compare and discuss the deep learning approach to classical image processing and learning approach in this domain.

연구 동기 및 목표

• 유방 조영촬영에서 종양을 분류하기 위한 전통적 영상 처리 기법과 딥러닝 기법을 분석하고 비교하기.
• 수동으로 제공된 영역과 자동으로 세그먼트된 ROI를 사용한 컴퓨터 지원 진단(CAD) 시스템의 성능을 평가하기.
• 유방 조영촬영 분류 연구에서 데이터셋 선택, 평가 지표, 모델의 강건성의 영향을 평가하기.
• 딥러닝 기반 CAD 시스템에서 설명 가능성, 일반화, 계산 비용의 주요 과제를 조사하기.
• 개인정보 보호 및 일반화된 모델 훈련을 위한 페더레이티드 러닝과 같은 향후 방향 탐색하기.

제안 방법

• 이 리뷰는 유방 조영촬영 분류를 두 가지 유형으로 분류한다: (1) 수동으로 세그먼트된 ROI의 분류, (2) 전체 유방 조영촬영에서 자동으로 세그먼트된 ROI의 분류 및 분류.
• 전통적 기계학습 방법은 텍스처, 형태, 강도 등의 특징 추출 후 SVM 또는 랜덤 포레스트와 같은 분류기 사용.
• DenseNet-121, ResNet-22 및 앙상블 아키텍처(예: DMV-CNN)와 같은 딥러닝 모델이 악성 및 양성 종양을 탐지하는 데 성능 평가.
• 약한 감독 학습은 GMIC와 같은 모델에서 사용되며, 픽셀 수준의 애너테이션 없이 이미지 수준의 레이블을 사용해 전역 및 국소 네트워크에서 시각화 지도를 생성.
• 패치 수준 분류기에서 유도된 히트맵이 입력 채널에 융합되어 국소화 및 분류 정확도 향상.
• 최종 예측을 위해 전역 및 국소 특징 표현을 융합하기 위해 게이트드 어텐션 메커니즘이 적용됨.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 유방 조영촬영 종양 분류에서 전통적 기계학습 기법보다 어떻게 비교되는가?
• RQ2 수동으로 세그먼트된 ROI와 완전히 자동화된 ROI 세그먼트 간의 성능 차이는 무엇인가?
• RQ3 약한 감독 학습 기반 딥러닝 모델은 픽셀 수준의 애너테이션 없이도 방사선의사 수준의 성능을 달성할 수 있는가?
• RQ4 특히 설명 가능성과 일반화 측면에서 임상 환경에 딥러닝 모델을 구현할 때의 주요 과제는 무엇인가?
• RQ5 페더레이티드 러닝은 다양한 영상 장치와 인구 집단 간에 모델의 강건성을 어떻게 향상시킬 수 있는가?

주요 결과

• 특히 앙상블 및 약한 감독 학습 아키텍처를 사용한 딥러닝 모델이 방사선의사보다 더 높은 AUC를 달성했으며, 한 모델은 인간 성능을 0.11 AUC 높이기까지 했다.
• CC 및 MLO 영상의 여러 시야에서 표현을 융합하는 DMV-CNN 모델은 시야 간 예측 평균화를 통해 분류 성능 향상을 이뤘다.
• 패치 수준 분류기에서 유도된 히트맵을 딥 네트워크의 입력에 통합함으로써 국소화 정확도 향상과 함께 분류 정확도 향상이 이루어졌다.
• GMIC 모델은 시각화 지도에서 기울기를 역전파하기 위해 게으른 집계 함수를 사용해 이미지 수준의 레이블만으로도 높은 성능을 달성했다.
• 높은 성능에도 불구하고 딥러닝 모델은 낮은 해석 가능성, 높은 계산 비용, 다양한 영상 장치 및 인구 집단 간 일반화 능력이 제한됨을 보였다.
• 페더레이티드 러닝은 분산된 이질적인 임상 데이터셋을 기반으로 강건하고 개인정보 보호 기능을 갖춘 모델 훈련을 위한 유망한 접근법으로 부상하고 있다.