[논문 리뷰] Multitask Classification and Segmentation for Cancer Diagnosis in Mammography

Thi-Lam-Thuy Le, Nicolas Thome외 3명|arXiv (Cornell University)|2019. 09. 11.

AI in cancer detection참고 문헌 11인용 수 29

한 줄 요약

이 논문은 ResNet 기반의 완전 컬러넷을 사용하여 유방 조영 검사에서 종양 분류와 병변 세분화를 동시에 수행하는 다중 작업 딥 러닝 프레임워크를 제안한다. 다중 작업 학습을 통해 분류 및 세분화 손실을 함께 최적화함으로써 순차적 학습 대비 평균 Dice 스코어(38.28%)에서 3.5% 향상되고 AUC(84.02%)에서 2.5% 향상되어 공유 표현 학습을 통한 성능 향상이 입증되었다.

ABSTRACT

Annotation cost is a bottleneck for collecting massive data in mammography, especially for training deep neural networks. In this paper, we study the use of heterogeneous levels of annotation granularity to improve predictive performances. More precisely, we introduce a multi-task learning scheme for training convolutional neural network (ConvNets), which combines segmentation and classification, using image-level and pixel-level annotations. In this way, different objectives can be used to regularize training by sharing intermediate deep representations. Successful experiments are carried out on the Digital Database of Screening Mammography (DDSM) to validate the relevance of the proposed approach.

연구 동기 및 목표

• 이미지 수준의 분류와 픽셀 수준의 세분화를 포함한 이질적인 레이블을 활용하여 유방 조영 검사에서 암 진단을 향상시키기 위해 노력한다.
• 분류 및 세분화 작업 간의 표현을 공유함으로써 분류 및 세분화 작업 간의 표현을 공유함으로써 제한된 의료 데이터 문제를 해결한다.
• 두 작업을 함께 훈련시켜 상호 연관성을 활용함으로써 일반화 능력을 향상시키기 위해 모델 성능을 향상시킨다.
• 대규모로 완전히 레이블이 붙은 데이터셋에 의존하는 것을 줄이기 위해 세분화 작업에서 사전 학습을 수행하여 분류 작업에 기여한다.

제안 방법

• 모델는 입력 유방 조영 영상에서 공유된 국소 특징을 추출하기 위해 ResNet-50 백본을 사용하는 완전 컨volution 네트워크(FCN)를 사용한다.
• 세분화 헤드(S-Net)는 1×1 컨볼루션과 업샘플링을 적용하여 다섯 종류의 병변 클래스에 대한 픽셀 수준의 클래스 레이블을 예측한다.
• 분류 헤드(C-Net)는 특징 맵에 대해 전역 평균 풀링을 적용한 후 완전 연결 층을 통해 종양 존재 여부를 예측한다(이元 분류).
• 총 손실은 분류를 위한 이진 교차 엔트로피(ℒcls)와 세분화를 위한 가중치가 부여된 교차 엔트로피(ℒseg)의 가중 조합이며, λ는 상호 보완성을 조절한다.
• 세분화에서의 클래스 불균형 문제는 클래스 가중치가 부여된 교차 엔트로피 손실을 사용하여 완화된다.
• 모델는 DDSM 데이터셋에서 두 작업의 공동 최적화를 통해 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 분류 및 세분화 작업을 함께 훈련시키는 것이 각 작업을 별도로 훈련시키는 것보다 유방 조영 검사에서의 암 진단 성능을 향상시키는가?
• RQ2 낮은 데이터 환경에서 세분화 작업에서 사전 학습을 수행하면 후속 분류 성능이 향상되는가?
• RQ3 이미지 수준과 픽셀 수준의 이질적인 레이블을 가진 다중 작업 학습이 유방 조영 검사에서 특징 표현 품질에 어떤 영향을 미치는가?
• RQ4 다중 작업 학습을 통해 학습된 공유 표현이 의료 영상 분석에서 과적합을 줄이고 일반화 능력을 향상시키는가?

주요 결과

• 공동 다중 작업 모델은 병변 세분화에서 평균 Dice 스코어 38.28%를 달성하여 순차적 학습 기준선(34.98%) 대비 3.5% 향상되었다.
• 공동 모델은 암 분류에서 AUC 84.02%를 기록하여 순차적 접근 방식(81.37%) 대비 2.5% 향상되었다.
• 분류 작업을 위한 미세조정 이전에 세분화 작업에서 사전 학습을 수행함으로써 AUC가 80.54%에서 81.37%로 향상되어 긍정적 전이 효과가 확인되었다.
• 정성적 결과는 공동 방법이 순차적 기준선 대비 더 정밀한 병변 국소화와 더 높은 분류 신뢰도를 제공하는 것으로 나타났다.
• 시각화 결과는 모델이 정상 및 암 환자 케이스에서 미세하고 복잡한 병변을 고공간 정확도로 성공적으로 포착하는 것으로 확인되었다.
• 결과는 다중 작업 학습이 분류 및 세분화 간의 더 나은 협업을 가능하게 하여 양쪽 작업의 성능 향상에 기여함을 확인한다.