[논문 리뷰] Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning

Rushabh Patel|arXiv (Cornell University)|2021. 01. 01.

AI in cancer detection참고 문헌 9인용 수 4

한 줄 요약

이 논문은 특정 복소 신경망(CNN)과 강화 샘플 학습(RSL) 전략을 조합한 새로운 딥러닝 접근법을 제안하여 유방 조영 검사 영상에서 침습성 도관세포암을 자동으로 탐지한다. 이 방법은 대규모 유방 조영 영상에서 완전 자동으로 특징 추출 및 분류를 가능하게 하여 학습 시간을 단축시키고, DDSM 데이터셋에서 150 에포크 내에 11.4%의 오차를 달성하며, 기존 학습 방식에 비해 더 빠른 수렴 속도와 향상된 일반화 성능을 보여준다.

ABSTRACT

Invasive ductal carcinoma is a prevalent, potentially deadly disease associated with a high rate of morbidity and mortality. Its malignancy is the second leading cause of death from cancer in women. The mammogram is an extremely useful resource for mass detection and invasive ductal carcinoma diagnosis. We are proposing a method for Invasive ductal carcinoma that will use convolutional neural networks (CNN) on mammograms to assist radiologists in diagnosing the disease. Due to the varying image clarity and structure of certain mammograms, it is difficult to observe major cancer characteristics such as microcalcification and mass, and it is often difficult to interpret and diagnose these attributes. The aim of this study is to establish a novel method for fully automated feature extraction and classification in invasive ductal carcinoma computer-aided diagnosis (CAD) systems. This article presents a tumor classification algorithm that makes novel use of convolutional neural networks on breast mammogram images to increase feature extraction and training speed. The algorithm makes two contributions.

연구 동기 및 목표

• 침입성 도관세포암 진단에서 특징 추출 및 분류를 위한 완전 자동화된 CNN 기반 시스템을 개발하기 위해.
• 의료 영상 분류를 위한 CNN에서 학습 시간과 반복 에포크 수를 줄이기 위해.
• 유방 조영 영상 분류에서 모델의 일반화 능력 향상과 검증 오차 감소를 위해.
• 영역 관심 영역 식별, 종양 탐지 및 특징 추출 과정에서 수동 간섭을 제거하기 위해.
• 실제 임상 데이터를 사용하여 디지털 유방 조영 검사 데이터베이스(DDSM)에서 제안된 방법을 검증하기 위해.

제안 방법

• 수동적인 영역 관심 영역 선택 없이 대규모 유방 조영 영상에서 특징을 자동으로 추출할 수 있도록 맞춤형 CNN 아키텍처를 설계하였다.
• 학습 도중 어려운 또는 정보가 풍부한 샘플을 우선적으로 처리하기 위해 동적 샘플 가중치 조정 전략인 강화 샘플 학습(RSL) 전략을 도입하였다.
• DDSM 데이터베이스의 양성 1,000건과 악성 1,000건을 대상으로 모델을 학습하였으며, 검증용으로 450건을 사용하였다.
• RSL 방법은 분류 오차를 유지하면서도 필요한 에포크 수를 줄여 학습 효율성을 향상시켰다.
• 특징 표현 및 모델 안정성 향상을 위해 Leaky ReLU 활성화 함수와 평균 풀링 레이어를 사용하였다.
• 모델 성능은 학습 및 검증 세트에서의 상위-1 오차율을 사용하여 평가되었다.

실험 결과

연구 질문

• RQ1 수동적 특징 공학 없이도 완전 자동화된 CNN 기반 시스템이 유방 조영 영상에서 침입성 도관세포암을 높은 정확도로 분류할 수 있는가?
• RQ2 제안된 강화 샘플 학습 전략은 기존 학습 방법에 비해 학습 시간을 단축시키고 수렴 속도를 향상시키는가?
• RQ3 RSL 전략은 의료 영상 분류에서 검증 오차와 모델 일반화에 어떤 영향을 미치는가?
• RQ4 이미지 품질의 변동성과 데이터셋의 이질성은 유방 조영 영상 분류에서 모델 성능에 어느 정도 영향을 미치는가?
• RQ5 명시적 사전 처리 없이도 모델이 미세한 특징(예: 미세 석회화, 소규모 종양)을 효과적으로 탐지할 수 있는가?

주요 결과

• 제안된 CNN 모델은 강화 샘플 학습 전략을 사용하여 150 에포크 내에 학습 오차 11.4%를 달성하였다.
• 검증 오차는 22.1% 이하를 유지하여 데이터셋의 변동성에도 불구하고 양호한 일반화 능력을 보였다.
• RSL 기반 학습 방법은 기존 학습 방식에 비해 필요한 에포크 수를 줄여 학습 효율성을 향상시켰다.
• 모델는 DDSM 데이터셋 내의 이미지 품질 변동성과 구조적 차이에 대해 뛰어난 내성성을 보였다.
• 영역 관심 영역 탐지나 특징 기술 과정에서 수동 간섭 없이도 엔드 투 엔드 특징 추출 및 분류를 성공적으로 수행하였다.
• 결과는 깊이 신경망과 RSL를 조합한 방식이 더 빠른 수렴 속도와 높은 정확도를 보이며 대규모 의료 영상 분류에 실현 가능함을 확인한다.