[논문 리뷰] PCONet: A Convolutional Neural Network Architecture to Detect Polycystic Ovary Syndrome (PCOS) from Ovarian Ultrasound Images

A. K. M. Salman Hosain, Md Humaion Kabir Mehedi외 1명|arXiv (Cornell University)|2022. 10. 02.

Ovarian function and disorders인용 수 10

한 줄 요약

이 논문은 난소 초음파 영상에서 다낭성 난소 증후군(PCOS)를 감지하기 위한 경량 컨볼루션 신경망(CNN) 아키텍처인 PCONet을 제안한다. 의료진이 검증한 339张의 영상으로 구성된 테스트 세트에서 98.12%의 정확도를 기록하며, 미세조정된 InceptionV3(96.56%)를 초월한다. 모델은 정제된 데이터셋으로 훈련되었으며, InceptionV3보다 훨씬 적은 파라미터를 가짐에도 불구하고 낭성 난소 감지에 더 높은 정밀도와 F1 점수를 보이며 뛰어난 성능을 나타낸다.

ABSTRACT

Polycystic Ovary Syndrome (PCOS) is an endrocrinological dysfunction prevalent among women of reproductive age. PCOS is a combination of syndromes caused by an excess of androgens - a group of sex hormones - in women. Syndromes including acne, alopecia, hirsutism, hyperandrogenaemia, oligo-ovulation, etc. are caused by PCOS. It is also a major cause of female infertility. An estimated 15% of reproductive-aged women are affected by PCOS globally. The necessity of detecting PCOS early due to the severity of its deleterious effects cannot be overstated. In this paper, we have developed PCONet - a Convolutional Neural Network (CNN) - to detect polycistic ovary from ovarian ultrasound images. We have also fine tuned InceptionV3 - a pretrained convolutional neural network of 45 layers - by utilizing the transfer learning method to classify polcystic ovarian ultrasound images. We have compared these two models on various quantitative performance evaluation parameters and demonstrated that PCONet is the superior one among these two with an accuracy of 98.12%, whereas the fine tuned InceptionV3 showcased an accuracy of 96.56% on test images.

연구 동기 및 목표

• 초음파 영상에서 PCOS 감지를 위한 딥러닝 모델의 부족을 해결하기 위해, 이전 연구 대부분이 임상 데이터 테이블에 의존하는 데 반해.
• 난소 초음파 영상에서 다낭성 난소 형태를 분류하기 위해 특별히 설계된 새로운 경량 CNN 아키텍처인 PCONet을 개발하기 위해.
• 의료진이 애너테이션한 테스트 세트를 이용해 엄격하고 편향 없는 평가를 통해 PCONet의 성능을 미세조정된 InceptionV3 모델과 비교하기 위해.
• 장기적인 합병증인 불임 및 대사 장애를 줄이기 위해 조기이고 정확하며 자동화된 PCOS 감지를 가능하게 하기 위해.

제안 방법

• PCONet는 난소 초음파 영상 분류에 최적화된 582,690개의 학습 가능한 파라미터를 가진 맞춤형 경량 CNN이다.
• 모델은 두 명의 자격을 갖춘 의료진이 '낭성' 또는 '건강한'으로 레이블링한 총 339장의 난소 초음파 영상 데이터셋으로 엔드 투 엔드로 훈련되었다.
• 데이터 누출 없이 성능을 평가하기 위해 별도의 편향 없는 테스트 세트 339장(낭성 189장, 건강 150장)을 사용하였다.
• 미세조정을 통해 사전 훈련된 InceptionV3 모델(4800만 개의 파라미터)을 활용하여 PCOS 초음파 분류 작업에 적합하도록 조정하였다. 이 모델은 4798만 개의 학습 가능한 파라미터를 가졌다.
• 정확도, 정밀도, 재현율, F1 점수, 혼동 행렬 등의 표준 지표를 사용해 훈련/검증 세트와 독립된 테스트 세트에서 성능을 평가하였다.
• 학습률 스케줄링을 적용해 30 에포크 동안 훈련하였으며, 수렴성과 일반화 성능을 모니터링하기 위해 훈련/검증 곡선을 그렸다.

실험 결과

연구 질문

• RQ1 맞춤형 경량 CNN이 InceptionV3와 같은 미세조정된 사전 훈련된 모델보다 난소 초음파 영상에서 PCOS를 분류하는 데서 뛰어난 성능을 보일 수 있는가?
• RQ2 독립된 테스트 세트에서 PCONet의 성능은 정확도, 정밀도, 재현율, F1 점수 측면에서 미세조정된 InceptionV3와 비교해 어떻게 다른가?
• RQ3 작은 크기의 작업 특화 CNN 아키텍처가 제한된 의료 영상 데이터에서 더 뛰어난 일반화 능력과 강건성을 보일 수 있는가?
• RQ4 의료진이 검증한 레이블링이 초음파 영상에서 PCOS 감지를 위한 딥러닝 모델의 신뢰성에 얼마나 기여하는가?

주요 결과

• PCONet는 테스트 정확도 98.12%를 기록하여, 동일한 테스트 세트에서 96.56%를 달성한 미세조정된 InceptionV3를 능가했다.
• PCONet는 낭성 난소 감지에서 정밀도가 2% 높은 0.96을 기록하여 InceptionV3의 0.94보다 뛰어났다.
• 건강한 난소 분류에서 F1 점수는 1% 높은 0.96을 기록하여 정밀도와 재현율의 균형이 더 우수하다는 것을 보여주었다.
• PCONet는 테스트 세트의 모든 189장의 낭성 난소 영상을 정확히 분류했으며, InceptionV3는 5장을 잘못 분류했다. 이는 PCOS 형태에 대한 더 뛰어난 민감도를 의미한다.
• InceptionV3의 파라미터 수의 1.2%에 불과한 582,690개의 파라미터를 가짐에도 불구하고, PCONet는 훨씬 높은 정확도와 더 나은 일반화 성능을 달성했다.
• 혼동 행렬을 통해 PCONet는 InceptionV3보다 총 5개의 오류를 더 적게 내었으며, 낭성 예측을 5개 더 정확히 하고, 건강 예측을 6개 더 적게 정확히 했다.