[논문 리뷰] Neural networks approach for mammography diagnosis using wavelets features

Essam A. Rashed, Mohamed M. Awad|arXiv (Cornell University)|2020. 03. 06.

AI in cancer detection참고 문헌 18인용 수 4

한 줄 요약

이 논문은 웨이블릿 기반 특징 추출과 인공 신경망을 사용한 감마선 유방 조영 진단 시스템을 제안한다. 다중 수준 웨이블릿 분해를 통해 디지털 유방 조영 사진을 특징 벡터로 변환하고, 이는 신경망에 의해 종양 유형과 위험 수준을 구분하도록 분류된다. 방사선 전문의가 라벨링한 데이터를 사용하여 유의미한 성과를 달성하였으며, 특히 단일 수준 방법에 비해 다중 수준 분해를 통해 향상된 특징 표현을 통해 성능이 향상되었다.

ABSTRACT

A supervised diagnosis system for digital mammogram is developed. The diagnosis processes are done by transforming the data of the images into a feature vector using wavelets multilevel decomposition. This vector is used as the feature tailored toward separating different mammogram classes. The suggested model consists of artificial neural networks designed for classifying mammograms according to tumor type and risk level. Results are enhanced from our previous study by extracting feature vectors using multilevel decompositions instead of one level of decomposition. Radiologist-labeled images were used to evaluate the diagnosis system. Results are very promising and show possible guide for future work.

연구 동기 및 목표

• 고도화된 특징 추출을 사용하여 디지털 유방 조영 사진을 위한 감독 기반 진단 시스템을 개발한다.
• 특징 추출을 위해 단일 수준 웨이블릿 분해에서 다중 수준 웨이블릿 분해로 대체하여 분류 성능을 향상시킨다.
• 인공 신경망을 활용하여 유방 조영 사진에서 종양 유형과 위험 수준을 정확하게 분류한다.
• 임상적 관련성을 확보하기 위해 방사선 전문의가 라벨링한 유방 조영 영상으로 시스템을 검증한다.
• 웨이블릿과 신경망의 통합을 활용한 자동 유방암 진단 분야의 향후 연구를 위한 기반을 마련한다.

제안 방법

• 디지털 유방 조영 영상에 다중 수준 웨이블릿 분해를 적용하여 공간-주파수 특징을 세밀하게 추출한다.
• 결과로 얻어진 웨이블릿 계수를 조합하여 각 영상의 특징 벡터를 구성한다.
• 특징 벡터를 훈련된 인공 신경망에 입력하여 분류한다.
• 신경망은 유방 조영 사진을 서로 다른 종양 유형과 위험 수준으로 분류하도록 훈련된다.
• 감독 학습 및 성능 평가를 위해 방사선 전문의가 라벨링한 데이터를 사용한다.
• 이전 연구에 비해 더 rich한 특징 표현을 위해 단일 수준 분해에서 다중 수준 분해를 사용함으로써 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 다중 수준 웨이블릿 분해는 단일 수준 분해에 비해 유방 조영 사진 분류를 위한 특징 표현을 얼마나 향상시키는가?
• RQ2 웨이블릿에서 유도된 특징을 사용할 때 신경망은 종양 유형과 위험 수준으로 유방 조영 사진을 얼마나 효과적으로 분류하는가?
• RQ3 이러한 시스템은 방사선 전문의가 라벨링한 데이터를 사용하여 얼마나 높은 진단 정확도를 달성하는가?
• RQ4 웨이블릿 변환과 신경망을 조합함으로써 자동 유방 조영 진단의 잠재력은 어느 정도인가?
• RQ5 이 시스템의 성능은 간단한 특징 추출 방법을 사용한 이전 접근 방식과 비교하여 어떻게 다른가?

주요 결과

• 다중 수준 웨이블릿 분해를 사용할 경우 단일 수준 분해에 비해 특징 표현이 크게 향상되어 분류 성능이 향상된다.
• 제안된 신경망 모델은 유방 조영 사진에서 종양 유형과 위험 수준을 구분하는 데 있어 유의미한 분류 정확도를 달성한다.
• 결과는 웨이블릿 기반 특징이 디지털 유방 조영 사진에서 관련 진단 패턴을 효과적으로 포착할 수 있음을 보여준다.
• 특히 방사선 전문의가 검증한 데이터를 사용할 경우 임상 현장에서 의사 결정 지원 도구로서 강력한 잠재력을 보인다.
• 웨이블릿-신경망 하이브리드 접근 방식을 활용한 자동 유방암 진단 분야의 향후 연구를 위한 기반을 제공한다.
• 다중 수준 분해를 통한 향상된 특징 추출 덕분에 이전 버전의 시스템보다 성능이 뛰어나다.