[논문 리뷰] Supervised and Unsupervised Tumor Characterization in the Deep Learning Era.

Sarfaraz Hussein, Maria M. J. Chuquicusma외 4명|arXiv (Cornell University)|2018. 01. 10.

AI in cancer detection참고 문헌 42인용 수 12

한 줄 요약

이 논문은 3D CNN와 전이 학습을 활용한 감독 및 비감독 딥러닝 기법을 제안하여 의료 영상에서 종양 특성 분석을 향상시킨다. 감독 학습에서는 그래프 정규화된 다중작업 학습 프레임워크를 사용하고, 비감독 학습 시나리오에서는 새로운 비율-SVM 알고리즘과 GAN 기반 비감독 표현 학습을 도입한다. 이 방법은 1,018건의 CT 스캔과 171건의 MRI 스캔을 사용하여 폐 및 췌장 종양 분류에서 뚜렷한 성능 향상을 달성한다.

ABSTRACT

Computer Aided Diagnosis (CAD) tools are often needed for fast and accurate detection, characterization, and risk assessment of different tumors from radiology images. Any improvement in robust and accurate image-based tumor characterization can assist in determining non-invasive cancer stage, prognosis, and personalized treatment planning as a part of precision medicine. In this study, we propose both supervised and unsupervised machine learning strategies to improve tumor characterization. Our first approach is based on supervised learning for which we demonstrate significant gains in learning algorithms, particularly Convolutional Neural Network (CNN), by utilizing completely 3D approach and transfer learning to address the requirements of volumetric and large amount of training data, respectively. Motivated by the radiologists' interpretations of the scans, we then show how to incorporate task dependent feature representations into a CAD system via a graph regularized sparse Multi-Task Learning (MTL) framework. In the second approach, we explore an unsupervised scheme in order to address the limited availability of labeled training data, a common problem in medical imaging applications. Inspired by learning from label proportion (LLP) approaches, we propose a new algorithm, proportion-SVM, to characterize tumor types. In this second approach, we also seek the answer to the fundamental question about the goodness of deep features for unsupervised tumor classification. Finally, we study the effect of unsupervised representation learning using Generative Adversarial Networks (GAN) on classification performance. We evaluate our proposed approaches (both supervised and unsupervised) on two different tumor diagnosis challenges: lung and pancreas with 1018 CT and 171 MRI scans respectively.

연구 동기 및 목표

• 보다 나은 악성 종양 스테이징과 개인화된 치료 계획 수립을 위해 고급 딥러닝 기법을 활용해 영상 진단에서 종양 특성 분석을 향상시키는 것.
• 의료 영상에서 레이블이 제한된 훈련 데이터 문제를 해결하기 위해 비감독 및 약한 감독 학습 전략을 개발하는 것.
• 비감독 표현 학습을 통해 학습된 딥 특징이 종양 분류에 얼마나 효과적인지 평가하는 것.
• 영상의학 전문의의 인사이트를 반영한 작업별 특징 표현을 다중작업 학습 프레임워크에 통합하여 진단 정확도를 향상시키는 것.
• 생성적 적대 신경망(GANs)이 종양 분류 작업의 표현 학습 향상에 기여하는지 평가하는 것.

제안 방법

• 대규모 부피 영상 데이터를 처리하고 특징 학습을 향상시키기 위해 전이 학습을 적용한 3D 합성곱 신경망(CNN)을 사용한다.
• 영상의학 전문의의 해석에서 유도된 작업별 특징 표현을 통합하기 위해 그래프 정규화된 희소 다중작업 학습(MTL) 프레임워크를 구현한다.
• 레이블 비율 학습(LLP)에 영감을 얻어 새로운 알고리즘인 비율-SVM을 제안하여 레이블 정보가 제한된 약한 감독 종양 분류를 수행한다.
• 전체 인스턴스 수준의 레이블이 필요 없이 표현 품질을 향상시키기 위해 생성적 적대 신경망(GANs)을 활용한 비감독 표현 학습을 수행한다.
• 사전 훈련된 네트워크에서 유도된 딥 특징과 비율-SVM을 결합하여 스캔 수준의 레이블 비율만을 사용해 종양 유형을 분류한다.
• 두 가지 임상 데이터셋(1,018건의 폐 CT 스캔 및 171건의 췌장 MRI 스캔)에서 모델을 훈련하고 평가하며, 주로 종양 유형 분류에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 2D 접근 방식과 비교해 3D CNN에 전이 학습을 적용할 경우 부피 영상에서 종양 특성 분석 성능이 유의미하게 향상되는가?
• RQ2 영상의학 전문의의 인사이트를 반영한 특징을 통합하는 그래프 정규화된 다중작업 학습 프레임워크는 진단 성능 향상에 얼마나 효과적인가?
• RQ3 레이블이 제한되거나 전혀 없을 경우 GAN을 활용한 비감독 표현 학습이 분류 정확도 향상에 얼마나 기여하는가?
• RQ4 비율-SVM 알고리즘이 스캔 수준의 레이블 비율만을 사용하는 약한 감독 종양 분류에 실현 가능한 솔루션인가?
• RQ5 비감독 방식으로 학습된 딥 특징이 후속 종양 분류 작업으로 일반화되는 정도는 어느 정도인가?

주요 결과

• 제안된 전이 학습을 적용한 3D CNN은 부피적 맥락을 효과적으로 활용하여 폐 및 췌장 종양 데이터셋에서 종양 특성 분석 성능을 유의미하게 향상시킨다.
• 그래프 정규화된 다중작업 학습 프레임워크는 영상의학 전문의의 해석에서 유도된 작업별 특징을 효과적으로 통합함으로써 분류 정확도를 향상시킨다.
• 비율-SVM 알고리즘은 약한 감독 종양 분류에서 경쟁적인 성능을 달성하여 레이블 비율에서 학습하는 것이 가능하다는 것을 입증한다.
• GAN을 활용한 비감독 표현 학습은 후속 분류 성능을 향상시켜 GAN에서 유도된 딥 특징이 종양 유형 분류에 효과적임을 시사한다.
• 비감독 미리 훈련된 딥 특징과 비율-SVM을 통합하면 특히 데이터가 적은 환경에서 일반화 성능이 향상된다.
• 3D CNN, 전이 학습 및 다중작업 학습의 병합은 다양한 영상 모odalities에서 종양 진단을 위한 강력하고 정확한 CAD 시스템을 구현한다.