[論文レビュー] A Deep Convolutional Neural Network for Lung Cancer Diagnostic

Mehdi Fatan Serj, Bahram Lavi+2 more|arXiv (Cornell University)|Apr 22, 2018

Lung Cancer Diagnosis and Treatment参考文献 6被引用数 42

ひとこと要約

この論文は、CT画像からの二値肺がん分類のための深層CNNアーキテクチャ（dCNN）を提案し、Kaggle Data Science Bowl 2017での高い感度と特異度、および競争力のある対数損失を報告する。

ABSTRACT

In this paper, we examine the strength of deep learning technique for diagnosing lung cancer on medical image analysis problem. Convolutional neural networks (CNNs) models become popular among the pattern recognition and computer vision research area because of their promising outcome on generating high-level image representations. We propose a new deep learning architecture for learning high-level image representation to achieve high classification accuracy with low variance in medical image binary classification tasks. We aim to learn discriminant compact features at beginning of our deep convolutional neural network. We evaluate our model on Kaggle Data Science Bowl 2017 (KDSB17) data set, and compare it with some related works proposed in the Kaggle competition.

研究の動機と目的

• 医用CT画像で深層学習を用いた早期・正確な肺がん検出を動機づける。
• 二値分類（がん vs 非がん）の識別的でコンパクトな特徴学習CNNアーキテクチャを開発する。
• Kaggle Data Science Bowl 2017データセットでモデルを評価し、トップ競合と比較する。

提案手法

• 4つの畳み込み層（11x11, 5x5, 3x3）、2つの最大プーリング層、全結合層、および最終の2ユニットsoftmax分類器を備えたCNNを提案する。
• 各畳み込みの後にReLU活性化を用い、続いてクロスエントロピー（softmax）損失と多項ロジスティック回帰目的関数を用いる。
• リサイズされた120x120のCTスライスで確率的勾配降下法（バッチサイズ128、学習率0.001、モーメンタム0.9）で訓練する。
• Kaggle競技で用いられる感度、特異度、F1スコア、および対数損失を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 CTスライスから識別的な特徴を学習して、二値設定で肺がんと非がんを区別できるか？
• RQ2 提案された dCNN は、対数損失と標準的な指標の観点で、主要競合と比べて Kaggle Data Science Bowl 2017 データセットでどのように機能するか？

主な発見

Table	Metric	Value
Table 1	感度（我々の）	0.87
Table 1	特異度（我々の）	0.991
Table 1	F1（我々の）	0.95
Table 1	感度（AIDA）	0.538
Table 1	特異度（AIDA）	0.648
Table 1	F1（AIDA）	0.33
Table 2	対数損失（我々の）	0.2098
Table 2	対数損失（grt123）	0.3997
Table 2	対数損失（JuliandeWit&DanielHammack）	0.4011
Table 2	対数損失（Aidence）	0.4012
Table 2	対数損失（AIDA）	0.5271

• 提案された dCNN は感度0.87、特異度0.991、F1スコア0.95を達成。
• モデルは対数損失0.2098を達成し、トップの Kaggle 競合（例：grt123 の0.3997）を上回る。
• Kaggleデータセット上で、手法は非常に高い特異度を伴う強い識別性を示し、がんなし画像の割合が大きいことに助けられている。
• 混同行列は、がん対非がんの分類を効果的に行い、エラー分布が有利であることを示している。