[논문 리뷰] Mammography Dual View Mass Correspondence

Shaked Perek, Alon Hazan외 2명|arXiv (Cornell University)|2018. 07. 02.

AI in cancer detection참고 문헌 13인용 수 3

한 줄 요약

이 논문은 CC 및 MLO 영상에서 병변을 매칭하기 위해 페치 기반 표현을 사용하여 공유 유사도 메트릭을 학습하는 시아모이즈 딥 러닝 네트워크를 제안한다. 이 방법은 거짓 양성률을 줄여 전체 검출 파이프라인에서 86.4% AUROC를 달성함으로써 검출 정확도를 향상시키며, 기존의 템플릿 매칭보다 우수하고 DDSM 및 소속 데이터셋 간에 강한 전이 가능성도 보여준다.

ABSTRACT

Standard breast cancer screening involves the acquisition of two mammography X-ray projections for each breast. Typically, a comparison of both views supports the challenging task of tumor detection and localization. We introduce a deep learning, patch-based Siamese network for lesion matching in dual-view mammography. Our locally-fitted approach generates a joint patch pair representation and comparison with a shared configuration between the two views. We performed a comprehensive set of experiments with the network on standard datasets, among them the large Digital Database for Screening Mammography (DDSM). We analyzed the effect of transfer learning with the network between different types of datasets and compared the network-based matching to using Euclidean distance by template matching. Finally, we evaluated the contribution of the matching network in a full detection pipeline. Experimental results demonstrate the promise of improved detection accuracy using our approach.

연구 동기 및 목표

• 변형과 조직의 겹침으로 인해 검출이 어려운 CC 및 MLO 유방 조영 영상 간 병변을 매칭하는 문제를 해결하기 위해.
• 수동으로 설계된 특징 대신 학습된 유사도 메트릭을 활용해 이중 영상 정보를 활용함으로써 컴퓨터 지원 진단(CAD) 시스템의 성능을 향상시키기 위해.
• 시아모이즈 네트워크가 전통적인 템플릿 매칭보다 영상 간 대응 병변 페치를 식별하는 데 더 나은 성능을 보일 수 있는지 평가하기 위해.
• 매칭 네트워크를 전체 자동 검출 파이프라인에 통합하고, 민감도와 특이도에 미치는 영향을 평가하기 위해.

제안 방법

• 동일한 가중치와 아키텍처를 공유하는 두 개의 브랜치를 가진 시아모이즈 컨volution 신경망을 사용하여 CC 및 MLO 영상에서 추출한 페치 쌍에 대해 훈련을 수행함으로써 공동 표현을 학습한다.
• 긍정(매칭된) 및 부정(매칭되지 않은) 페치 쌍 간의 유사도를 최적화하기 위해 대비 손실 함수를 사용한다.
• 공유된 특징 네트워크를 통해 페치 수준의 특징을 추출한 후, 비교 레이어가 유사도 점수를 계산한다.
• 훈련 중 수평 뒤집기 및 90°, 180°, 270° 회전을 포함한 데이터 증강 기법을 적용하여 내성 강도를 향상시켰다.
• 도메인 적응 및 일반화 능력을 평가하기 위해 DDSM, 소속, Notredam 등의 데이터셋 간에 전이 학습 및 미세조정을 평가하였다.
• 매칭 네트워크를 전체 검출 파이프라인에 통합하여, 두 번째 영상에서 대응하는 매칭이 없는 검출 결과를 포함하거나 제외함으로써 성능에 미치는 영향을 평가하였다.

실험 결과

연구 질문

• RQ1 시아모이즈 딥 러닝 네트워크는 이중 영상 유방 조영 영상 간 병변을 매칭하기 위한 효과적인 유사도 메트릭을 학습할 수 있는가?
• RQ2 제안된 네트워크 기반 매칭 방법은 상호상관관계를 사용한 전통적 템플릿 매칭보다 우수한가?
• RQ3 전이 학습 및 미세조정은 다양한 유방 조영 영상 데이터셋 간 매칭 네트워크의 성능에 어떤 영향을 미치는가?
• RQ4 전체 자동 병변 검출 파이프라인에서 매칭 네트워크의 기여도는 민감도와 특이도에 어떻게 영향을 미치는가?

주요 결과

• 시아모이즈 네트워크는 DDSM 데이터셋에서 전체 검출 파이프라인에서 AUROC 0.864를 달성했으며, 민감도 99%, 특이도 19%를 기록하여 거짓 양성률을 크게 감소시켰다.
• 템플릿 매칭은 소속 데이터셋과 DDSM 데이터셋에서 각각 AUROC 0.73 및 0.63을 기록하여 시아모이즈 네트워크에 비해 떨어졌다.
• 소속 데이터로 DDSM에서 미세조정을 수행한 결과 AUC 0.971을 달성했으며, 소속 데이터에서 전체 훈련을 수행한 경우(0.969)와 비교해 약간 높은 성능을 보여 효과적인 도메인 전이가 이루어졌음을 시사했다.
• Dropout을 적용함으로써 ROC 곡선을 통해 AUC 성능 향상이 확인되어 더 나은 일반화 능력을 확보했다.
• 이 방법은 그림 5의 시안 색상으로 표시된 거짓 양성 검출을 성공적으로 가중치를 줄이고 제거하여 최종 출력 품질을 향상시켰다.
• 의사의 진단 관행과 일치하는 방식으로 먼저 의심스러운 소견을 검출한 후 이중 영상 간의 대응 여부를 확인함으로써 효과적인 검출을 가능하게 하였다.