[논문 리뷰] Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms

Eric Hsiao‐Kuang Wu, Kevin Wu외 1명|arXiv (Cornell University)|2020. 05. 29.

AI in cancer detection참고 문헌 20인용 수 16

한 줄 요약

이 논문은 데이터 부족과 클래스 불균형 문제를 해결하기 위해 유방 조영검사에서 유착을 합성하거나 제거하는 문맥 기반 GAN 기반 데이터 증강 방법을 제안한다. 자기주의 및 준지도 학습을 통합한 U-Net 아키텍처를 사용하여 고해상도(256×256px)의 합성 유착을 생성함으로써 악성 종양 분류 성능을 향상시켰으며, 실재 데이터만을 사용한 기준선 대비 AUC 0.846을 달성하여 유의미하게 높아졌다.

ABSTRACT

Data scarcity and class imbalance are two fundamental challenges in many machine learning applications to healthcare. Breast cancer classification in mammography exemplifies these challenges, with a malignancy rate of around 0.5% in a screening population, which is compounded by the relatively small size of lesions (~1% of the image) in malignant cases. Simultaneously, the prevalence of screening mammography creates a potential abundance of non-cancer exams to use for training. Altogether, these characteristics lead to overfitting on cancer cases, while under-utilizing non-cancer data. Here, we present a novel generative adversarial network (GAN) model for data augmentation that can realistically synthesize and remove lesions on mammograms. With self-attention and semi-supervised learning components, the U-net-based architecture can generate high resolution (256x256px) outputs, as necessary for mammography. When augmenting the original training set with the GAN-generated samples, we find a significant improvement in malignancy classification performance on a test set of real mammogram patches. Overall, the empirical results of our algorithm and the relevance to other medical imaging paradigms point to potentially fruitful further applications.

연구 동기 및 목표

• 유방암 분류에서 유착 유병률이 약 0.5%인 경우, 데이터 부족과 심각한 클래스 불균형 문제를 해결하기 위해 유방 조영검사를 활용한다.
• 주변 조직 정보를 기반으로 한 문맥적 사전 지식을 활용해, 유방 조영검사 패치에서 실제 유착을 현실적으로 합성하거나 제거하는 생성 모델을 개발한다.
• GAN에 의해 생성된 패치로 훈련 세트를 증강함으로써, 실제 테스트 데이터에서의 분류 성능을 향상시킨다.
• 특징 공간 분석을 통해 합성 유착이 실제 유착과 의미적으로 일관된지 검증한다.
• 이와 유사한 데이터 제약이 존재하는 다른 의료 영상 분야로의 일반화 가능성 탐색

제안 방법

• 스킵 연결을 갖춘 U-Net 기반 생성자로 입력 유방 조영검사 패치를 인코딩하고, 주변 조직에서 학습된 문맥적 사전 지식을 활용해 유착을 생성하거나 제거한다.
• 장거리 의존성을 모델링하고 유착의 국소화를 향상시키기 위해 32×32 공간 해상도에서 자기주의 모듈을 통합한다.
• 랜덤 스칼라 노이즈 주입(z-벡터)을 통한 준지도 학습을 적용하여, 단일 입력 이미지에서 다양한 유착을 생성할 수 있도록 한다.
• 구분자는 스트라이드 컨볼루션 대신 최대 풀링을 사용하고, 생성자 대비 각 레이어당 필터 수를 8배로 늘려 훈련 안정성을 향상시킨다.
• 질소종양, 석회화, 유착 제거를 위한 별도의 모델을 훈련하였으며, 조건부 감독 방식은 별도의 모델 훈련보다 안정성이 떨어지는 것으로 나타났다.
• 실제 데이터 대비 감소하는 비율로 합성 패치를 훈련 세트에 추가하여 피취닝을 시뮬레이션하고 일반화 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 문맥 인식 GAN이 유방 조영검사에서 실제 유착을 현실적으로 합성하여 후속 분류 성능을 향상시킬 수 있는가?
• RQ2 GAN에 의해 합성된 유착을 활용한 데이터 증강이 실제 테스트 데이터에서 과적합을 줄이고 일반화 성능을 향상시키는가?
• RQ3 훈련된 ResNet-50 분류기의 잠재 공간에서 합성 유착의 특징 임베딩은 실제 유착과 어떻게 비교되는가?
• RQ4 분류 AUC를 최대화하기 위해 최적의 초기 합성 데이터 비율은 얼마인가?
• RQ5 실제 데이터만으로 훈련된 모델이 실제 악성 유착의 의미적 일관성을 갖춘 유착을 생성할 수 있는가?

주요 결과

• GAN에 의해 증강된 훈련 방식은 실제 테스트 패치에서 AUC 0.846을 달성하였으며, 기준선 AUC 0.829보다 통계적으로 유의미하게 높았다(p < 1e-8).
• 최고의 성능는 초기 합성 데이터 비율 50%에서 관찰되었으며, 이 비율을 초과하면 성능이 저하되었다.
• t-SNE 시각화 결과, 합성 질소종양 및 석회화 패치가 ResNet-50 분류기의 특징 공간에서 실제 악성 패치와 밀접하게 군집되어 있었다.
• 이전에 잘못 분류되었던 실제 거짓 음성 사례들이 GAN에 의해 증강된 훈련 후에 정확히 분류되었으며, 이는 결정 경계 학습 향상의 증거였다.
• 모델는 현실적인 유착 형태와 공간적 맥락을 갖춘 고해상도(256×256px) 유방 조영검사 패치를 성공적으로 생성하였다.
• 비암성 유방 조영검사에서 활용되지 않은 자원이 현실적인 유착 합성을 통해 효과적으로 데이터 증강에 활용될 수 있음을 입증하였다.