[논문 리뷰] Transfer Learning for Oral Cancer Detection using Microscopic Images

Rutwik Jayant Palaskar, Renu Vyas외 3명|arXiv (Cornell University)|2020. 11. 23.

AI in cancer detection참고 문헌 16인용 수 14

한 줄 요약

이 연구는 구두 편평세포암의 미세시각 이미지로 구성된 새로 수집하고 증강한 데이터셋을 바탕으로 사전 훈련된 CNN 모델—특히 Inception V3, ResNet, MobileNet—을 사용한 전이학습 프레임워크를 제안한다. 이는 조기 구두 암 진단을 향상시키기 위한 것이다. 단순한 CNN 기반 모델 대비 10–15%의 정확도 절대 상승을 달성하며, 특히 Inception V3를 미세조정하고 증강 처리한 결과 91.13%의 정확도와 88%의 F1 스코어를 기록하여, 데이터가 적고 클래스가 불균형한 상황에서도 조직병리학적 분류에 강력한 성능을 보여준다.

ABSTRACT

Oral cancer has more than 83% survival rate if detected in its early stages, however, only 29% of cases are currently detected early. Deep learning techniques can detect patterns of oral cancer cells and can aid in its early detection. In this work, we present the first results of neural networks for oral cancer detection using microscopic images. We compare numerous state-of-the-art models via transfer learning approach and collect and release an augmented dataset of high-quality microscopic images of oral cancer. We present a comprehensive study of different models and report their performance on this type of data. Overall, we obtain a 10-15% absolute improvement with transfer learning methods compared to a simple Convolutional Neural Network baseline. Ablation studies show the added benefit of data augmentation techniques with finetuning for this task.

연구 동기 및 목표

• 현재 29%에 불과한 조기 진단 비율이 낮은 문제를 해결하기 위해 딥러닝을 활용한 조직병리학적 분류 자동화를 목적으로 한다.
• 새로 수집한 고품질의 구두 편평세포암 및 정상 상피 조직 이미지 데이터셋을 기반으로 전이학습 모델을 개발하고 평가한다.
• 제한된 의료 영상 데이터 환경에서 데이터 증강과 미세조정이 모델 성능에 미치는 영향을 조사한다.
• 과소표본화, 과다표본화, 손실 가중치 부여와 같은 다양한 클래스 불균형 처리 기법의 성능을 평가하고 비교하여 모델의 공정성과 일반화 능력을 향상시킨다.
• 다른 임상 자료원에서 확보한 데이터를 사용한 다중 기관 테스트를 통해 모델의 강인성을 검증한다.

제안 방법

• ImageNet에서 사전 훈련된 모델인 MobileNet, ResNet-50, Inception V3를 사용하여 전이학습을 적용하였으며, 1224장의 조직병리학적 이미지로 구성된 맞춤형 데이터셋에서 미세조정을 수행하였다.
• 회전, 반전, 스케일링 등의 데이터 증강 기법을 적용하여 훈련 다양성을 높이고 일반화 능력을 향상시켰다.
• 최종 분류 레이어를 교체하고, 낮은 초기 학습률로 마지막 몇 층을 훈련시켜 미세조정을 수행하였다.
• 세 가지 클래스 불균형 완화 전략을 평가하였다: 소수 클래스의 과소표본화, 다수 클래스의 과다표본화, 훈련 중 클래스 가중 손실 부여.
• 모델 평가에는 정확도, 정밀도, 재현율, F1 스코어, AUC-ROC와 같은 표준 지표를 사용하였으며, 혼동 행렬 분석을 통해 클래스별 성능을 평가하였다.
• 다중 기관 테스트는 협력한 치과 병원에서 확보한 123장의 추가적인 OSCC 이미지와 원래 테스트 세트의 비암성 이미지를 결합하여 수행되었다.

실험 결과

연구 질문

• RQ1 최신 기술의 전이학습 모델은 미세시각 이미지에서 정상 상피 조직과 대비하여 구두 편평세포암을 얼마나 잘 분류하는가?
• RQ2 이러한 낮은 데이터 의료 영상 환경에서 데이터 증강과 미세조정이 모델 성능에 기여하는 상대적 기여도는 어떠한가?
• RQ3 과소표본화, 과다표본화, 손실 가중치 부여 중 어떤 클래스 불균형 처리 기법이 가장 균형 잡히고 정확한 분류 성능을 낳는가?
• RQ4 다른 임상 기관의 데이터로 테스트했을 때 모델의 일반화 능력은 어떠한가?
• RQ5 다양한 평가 지표에서 가장 높은 정확도와 강인성을 확보한 모델 아키텍처는 무엇인가?

주요 결과

• Inception V3는 데이터 증강과 미세조정을 모두 적용하여 최고의 테스트 정확도 91.13%를 기록하였으며, F1 스코어는 88%, AUC-ROC는 87%를 기록하여 모든 다른 모델보다 뛰어난 성능을 보였다.
• 미세조정만으로도 단순한 CNN 기반 모델 대비 10–15%의 정확도 향상을 달성하였으며, ResNet과 Inception V3에서 가장 뚜렷한 성과 향상이 관찰되었다.
• 데이터 증강은 측정 가능한 성능 향상을 제공하였으며, 특히 미세조정과 조합되었을 때 성능 향상이 두드러졌다. Inception V3의 정확도는 89.52%에서 91.13%로 상승하였다.
• 대규모 CNN에서 손실 가중치 부여가 과소표본화와 과다표본화를 모두 능가하여 더 높은 AUC-ROC(0.66)를 기록하였으며, 이는 더 나은 클래스 균형을 의미한다.
• 다중 기관 테스트에서 모든 전이학습 모델이 경쟁적인 성능을 보였으며, Inception V3는 83.66%의 정확도를 기록하여 다양한 데이터 원본 간의 모델 일반화 능력을 확인하였다.
• 혼동 행렬 분석 결과, 대규모 CNN과 Inception V3는 유사한 참 양성률을 보였지만, 대규모 CNN은 참 음성률에서 뚜렷한 성능 저하를 보였으며, 이는 낮은 특이도와 클래스 불균형 편향을 나타낸다.