[논문 리뷰] Use of Transfer Learning and Wavelet Transform for Breast Cancer Detection

Ahmed Rasheed, Muhammad Shahzad Younis외 2명|arXiv (Cornell University)|2021. 03. 05.

AI in cancer detection참고 문헌 48인용 수 8

한 줄 요약

이 논문은 Mini-MIAS 데이터셋에서 삼분류 유방암 진단을 위해 사전 처리 단계로 웨이블릿 변환과 영역 기반 영상 분할을 결합한 하이브리드 딥러닝 프레임워크를 제안한다. 이후 사전 훈련된 CNN(예: ResNet50, VGG16)을 사용한 전이 학습을 수행한다. 이 방법은 분류 성능을 크게 향상시키며, 양성, 악성, 정상 부위 모두에서 AUC가 0.96 이상을 기록한다. 특히 ResNet50는 정상 부위에서 0.985 AUC를 달성한다.

ABSTRACT

Breast cancer is one of the most common cause of deaths among women. Mammography is a widely used imaging modality that can be used for cancer detection in its early stages. Deep learning is widely used for the detection of cancerous masses in the images obtained via mammography. The need to improve accuracy remains constant due to the sensitive nature of the datasets so we introduce segmentation and wavelet transform to enhance the important features in the image scans. Our proposed system aids the radiologist in the screening phase of cancer detection by using a combination of segmentation and wavelet transforms as pre-processing augmentation that leads to transfer learning in neural networks. The proposed system with these pre-processing techniques significantly increases the accuracy of detection on Mini-MIAS.

연구 동기 및 목표

• 고급 사전 처리 및 딥러닝 기법을 활용하여 유방촬영 영상에서의 유방암 진단 정확도를 향상시키기.
• 의료 영상 데이터셋의 제한된 크기 문제를 사전 훈련된 CNN을 활용한 전이 학습으로 해결하기.
• 기존의 이진 분류를 넘어서 양성, 악성, 정상 조직을 구분하는 삼분류 분류 체계를 도입하기.
• 웨이블릿 변환과 분할을 특징 강화 사전 처리 기법으로 활용할 경우 CNN 성능에 미치는 영향을 조사하기.
• 정확도와 해석 가능성이 높은 의료 영상 보조 진단 시스템(CAD)을 개발하여 영상의학자가 조기 진단을 보다 신뢰성 있게 수행할 수 있도록 지원하기.

제안 방법

• 종양 경계를 강화하고 비정상 조직 영역을 두드러지게 하기 위해 영역 기반 분할을 활용해 유방촬영 영상을 사전 처리하기.
• 이산 웨이블릿 변환(DWT)을 적용하여 영상을 하위 대역으로 분해하고, 종양 정위에 핵심적인 주파수 도메인 특징을 추출하기.
• 원본 데이터와 분할된 영상 및 웨이블릿 변환된 영상을 조합하여 딥러닝 모델의 증강 입력으로 활용하기.
• Mini-MIAS 데이터셋에 맞게 미세 조정된 사전 훈련된 CNN 아키텍처(VGG16, GoogleNet, AlexNet, ResNet50)를 사용한 전이 학습 구현하기.
• 이중 단계 분류 시스템 도입: 첫 번째 단계는 이상 소견을 7개 클래스로 분류하고, 두 번째 단계는 융합된 특징을 활용해 삼분류 분류(양성/악성/정상) 수행하기.
• AUC-ROC 곡선을 사용하여 성능 평가하고, 다양한 전이 학습 모델 및 사전 처리 조합 간 결과 비교하기.

실험 결과

연구 질문

• RQ1 웨이블릿 변환과 분할을 사전 처리로 통합할 경우, 전이 학습 모델의 유방암 진단 성능에 어떤 영향을 미치는가?
• RQ2 양성, 악성, 정상으로 구성된 삼분류 분류 체계가 기존의 이진 분류보다 유방촬영 영상 분석에서 더 우수한 성능을 낼 수 있는가?
• RQ3 웨이블릿 및 분할 사전 처리와 조합했을 때, 사전 훈련된 CNN 아키텍처 중(예: ResNet50, VGG16) 어떤 모델이 가장 높은 진단 정확도를 달성하는가?
• RQ4 의료 영상에서 흔히 발생하는 데이터 부족 상황에서 웨이블릿 변환과 분할이 CNN의 특징 추출 능력에 얼마나 기여하는가?
• RQ5 웨이블릿 및 분할을 통한 데이터 증강이 삼진단 분류의 모든 클래스에서 AUC-ROC 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 ResNet50를 사용해 정상 부위에서 AUC 0.985를 달성하여 다른 모델보다 뚜렷하게 뛰어난 성능을 보였다.
• ResNet50는 사전 처리된 데이터를 사용했을 때 양성 부위에서 AUC 0.966, 악성 부위에서 AUC 0.965를 기록하여 전체적으로 가장 높은 성능를 보였다.
• 모든 전이 학습 모델이 원본 영상만 사용한 경우에 비해 웨이블릿 변환 및 분할 영상으로 훈련했을 때 AUC가 크게 향상되었다.
• 웨이블릿 변환과 분할의 조합은 기준 모델 대비 모든 삼분류 부문에서 평균 30% 이상의 AUC 향상을 이끌어내었다.
• 삼분류 분류 체계는 양성 부위에서 AUC 0.97, 악성 부위에서 AUC 0.97, 정상 부위에서 AUC 0.99를 기록하여 강력한 진단 능력을 보였다.
• 모든 부문의 ROC 곡선은 사전 처리를 적용한 후에 뚜렷한 향상을 보였으며, 이는 모델의 분류 능력 향상이 확인됨을 시사한다.