[논문 리뷰] Non-image Data Classification with Convolutional Neural Networks

Anurag Sharma, Dinesh Kumar|arXiv (Cornell University)|2020. 07. 07.

AI in cancer detection인용 수 9

한 줄 요약

이 논문은 1차원 임상 환자 데이터를 2차원 이미지 유사 표현으로 변환하는 새로운 데이터 전처리 방법을 제안하며, 이를 통해 VGGNet-16와 같은 사전 훈련된 컨volutional 신경망(CNN)을 비이미지 데이터 분류에 활용할 수 있도록 한다. 이 방법은 위스콘신 유방암 데이터셋에서 경쟁력 있는 성능을 달성했고, 위스콘신 진단 유방암 데이터셋에서는 기존 방법들을 능가한다.

ABSTRACT

Breast cancer is the most common cancer in women. Classification of cancer/non-cancer patients with clinical records requires high sensitivity and specificity for an acceptable diagnosis test. The state-of-the-art classification model - Convolutional Neural Network (CNN), however, cannot be used with clinical data that are represented in 1-D format. CNN has been designed to work on a set of 2-D matrices whose elements show some correlation with neighboring elements such as in image data. Conversely, the data examples represented as a set of 1-D vectors -- apart from the time series data -- cannot be used with CNN, but with other classification models such as Artificial Neural Networks or RandomForest. We have proposed some novel preprocessing methods of data wrangling that transform a 1-D data vector, to a 2-D graphical image with appropriate correlations among the fields to be processed on CNN. We tested our methods on Wisconsin Original Breast Cancer (WBC) and Wisconsin Diagnostic Breast Cancer (WDBC) datasets. To our knowledge, this work is novel on non-image to image data transformation for the non-time series data. The transformed data processed with CNN using VGGnet-16 shows competitive results for the WBC dataset and outperforms other known methods for the WDBC dataset.

연구 동기 및 목표

• 환자 기록과 같은 시간 시리즈가 아닌 1차원 임상 데이터를 처리하는 데서 CNN의 한계를 해결하기 위해.
• 1차원 데이터의 의미 있는 상관관계를 유지하면서 CNN 호환 가능한 형태로 데이터 변환 기법을 개발하기 위해.
• 비이미지 의료 데이터셋에 대해 강력한 사전 훈련된 CNN 아키텍처(예: VGGNet-16)를 활용할 수 있도록 하기 위해.
• 변환된 데이터의 성능을 표준 유방암 분류 벤치마크에서 평가하기 위해.
• 적절히 2차원 형태로 전처리된 1차원 데이터에 대해 CNN이 경쟁력 있거나 우수한 성능을 낼 수 있음을 입증하기 위해.

제안 방법

• 특징 값들을 공간적으로 구조화된 격자 형태로 재정렬하여 1차원 임상 데이터 벡터를 2차원 행렬로 변환하기.
• 특징 간 局소 상관관계를 강조할 수 있도록 2차원 레이아웃을 설계하여 이미지의 공간적 관계를 모방하기.
• 결과로 생성된 2차원 표현에 표준 이미지 전처리 기법(예: 정규화, 크기 조정)을 적용하기.
• 변환된 데이터에 대한 분류 작업을 위해 사전 훈련된 VGGNet-16 아키텍처를 활용한 전이 학습 수행하기.
• 변환된 1차원 데이터에 대해 VGGNet-16의 최종 레이어를 훈련시켜 분류 작업에 적응시키기.
• 두 가지 벤치마크 유방암 데이터셋인 위스콘신 원본(WBC) 및 위스콘신 진단(WDBC)에서 방법을 검증하기.

실험 결과

연구 질문

• RQ1 1차원 임상 데이터를 효과적으로 2차원 표현으로 변환할 수 있는가? 이는 CNN 처리에 유의미한 특징 상관관계를 유지하는가?
• RQ2 변환된 1차원 데이터에 CNN을 적용할 경우, 기존의 전통적 모델 대비 비이미지 의료 데이터에서 더 높은 분류 성능을 낼 수 있는가?
• RQ3 제안된 방법은 임상 기록을 사용한 유방암 분류에서 최신 기술 수준의 모델들과 비교해 어떻게 성능을 내는가?
• RQ4 다양한 데이터 특성을 지닌 서로 다른 유방암 데이터셋에서, 변환된 1차원 데이터에 대한 CNN의 성능은 얼마나 강인한가?
• RQ5 적절한 데이터 변환 후, VGGNet-16와 같은 사전 훈련된 CNN을 비이미지 데이터에 효과적으로 활용할 수 있는가?

주요 결과

• 제안된 데이터 변환 방법은 시간 시리즈가 아닌 1차원 임상 데이터에 대해 CNN의 활용을 성공적으로 가능하게 하였다.
• 위스콘신 원본 유방암(WBC) 데이터셋에서, CNN 기반 모델은 경쟁력 있는 분류 성능를 달성하였다.
• 위스콘신 진단 유방암(WDBC) 데이터셋에서, 이 방법은 다른 알려진 분류 기법들을 능가하는 성능을 보였다.
• 변환 과정에서 의미 있는 특징 상관관계가 유지되어, CNN이 1차원 데이터로부터 효과적인 표현을 학습할 수 있었다.
• VGGNet-16를 활용한 전이 학습이 변환된 데이터의 분류 정확도를 크게 향상시켰다.
• 이 연구는 CNN을 활용한 비이미지 데이터 분류를 위한 새로운 접근법을 제시하며, 의료 진단 분야에서의 실현 가능성과 효과성을 입증하였다.