[논문 리뷰] Automated Detection of Individual Micro-calcifications from Mammograms using a Multi-stage Cascade Approach

Zhi Lu, Gustavo Carneiro외 2명|arXiv (Cornell University)|2016. 10. 07.

AI in cancer detection참고 문헌 4인용 수 7

한 줄 요약

이 논문은 다단계 캐스케이드 접근 방식을 사용하여 유방 엑스레이에서 개별 미세섬유화(μC)를 검출하기 위해 부스팅 분류기를 도입한다. 후보자들을 군집화하기 이전에 형태와 외관 특징을 기반으로 분류하여 가짜 양성 결과 감소를 개선한다. INbreast 데이터셋에서 1장당 1개의 가짜 양성 결과(FPI)일 때 40%의 진짜 양성 검출률(TPR)을 달성하고, 10 FPI일 때는 80%를 기록하며, 이는 이전 최고 성능 기술보다 뚜렷이 뛰어나다.

ABSTRACT

In mammography, the efficacy of computer-aided detection methods depends, in part, on the robust localisation of micro-calcifications ($μ$C). Currently, the most effective methods are based on three steps: 1) detection of individual $μ$C candidates, 2) clustering of individual $μ$C candidates, and 3) classification of $μ$C clusters. Where the second step is motivated both to reduce the number of false positive detections from the first step and on the evidence that malignancy depends on a relatively large number of $μ$C detections within a certain area. In this paper, we propose a novel approach to $μ$C detection, consisting of the detection \emph{and} classification of individual $μ$C candidates, using shape and appearance features, using a cascade of boosting classifiers. The final step in our approach then clusters the remaining individual $μ$C candidates. The main advantage of this approach lies in its ability to reject a significant number of false positive $μ$C candidates compared to previously proposed methods. Specifically, on the INbreast dataset, we show that our approach has a true positive rate (TPR) for individual $μ$Cs of 40\% at one false positive per image (FPI) and a TPR of 80\% at 10 FPI. These results are significantly more accurate than the current state of the art, which has a TPR of less than 1\% at one FPI and a TPR of 10\% at 10 FPI. Our results are competitive with the state of the art at the subsequent stage of detecting clusters of $μ$Cs.

연구 동기 및 목표

• 기존 컴퓨터 지원 검출 시스템에서 흔히 발생하는 개별 미세섬유화 검출의 가짜 양성 결과를 줄이기 위해.
• 형태와 외관 특징을 사용하여 파ip라인의 초기 단계에서 가짜 양성 결과를 걸러내어 미세섬유화 검출의 신뢰성을 향상시키기 위해.
• 별도의 군집 분류 단계가 필요 없이도 높은 군집 검출 성능를 유지하기 위해.
• 유방암 조기 검출을 위한 더 견고하고 정확한 파이프라인을 개발하기 위해.

제안 방법

• 이 방법은 사전 처리된 유방 엑스레이에서 개별 미세섬유화 후보자를 검출하기 위해 RUSBoost 분류기의 다단계 캐스케이드를 사용한다.
• 개별 미세섬유화 후보자들은 12×12 패치로 크기 조정되고 연결된 성분에서 추출한 형태 및 외관 특징을 분석한다.
• 두 번째 단계에서 1,000개의 약한 학습기(weak learners)를 갖춘 전용 RUSBoost 분류기가 후보자들을 진짜 양성 또는 가짜 양성으로 분류한다.
• 최종 단계에서는 기하학적 근접성과 밀도 기준을 사용하여 잔류하는 고신뢰도 개별 검출 결과를 군집화하여 별도의 군집 분류 단계가 필요 없도록 한다.
• 파이프라인은 교차 검증을 통해 INbreast 데이터셋을 사용하여 훈련 및 검증되며, 모델 선택은 검증 세트에서 수행된다.
• 성능 평가는 자유 반응 수신기 작동 특성(FROC) 곡선과 케이스 기반 ROC 곡선을 사용하며, 개별 검출의 경우 오버랩 임계값 0.5와 군집 검출의 경우 공유된 군집 소속 관계를 적용한다.

실험 결과

연구 질문

• RQ1 부스팅 분류기의 캐스케이드가 높은 진짜 양성 검출률을 유지하면서도 가짜 양성 결과를 효과적으로 줄일 수 있는가?
• RQ2 형태 및 외관 특징을 기반으로 개별 미세섬유화 후보자들을 걸러내는 것이 이후 군집 검출 성능 향상에 기여하는가?
• RQ3 기본적인 3단계 CADe 파이프라인과 비교할 때, 제안된 파이프라인은 개별 미세섬유화 검출 정확도에서 어떤가?
• RQ4 최종 군집 분류 단계를 제거함으로써 전체 검출 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 1장당 1개의 가짜 양성 결과(FPI)일 때 개별 미세섬유화에 대해 40%의 진짜 양성 검출률(TPR)을 달성하며, 이는 이전 최고 성능 기술이 같은 FPI 수준에서 1% 미만의 TPR을 기록한 것과 비교해 뚜렷이 뛰어나다.
• 10 FPI일 때는 개별 미세섬유화에 대해 80%의 TPR을 기록했으며, 현재 최고 성능 기술은 단지 10%에 불과하다.
• 군집 검출 성능는 경쟁 수준을 유지하고 있으며, FROC 곡선과 케이스 기반 ROC 곡선을 통해 기준 방법의 발표된 결과와 일치함을 보여준다.
• 시각적 결과는 정상적인 유방 엑스레이에서의 견고한 검출과 도전적인 케이스에서의 개별 및 군집된 미세섬유화의 정확한 국소화를 보여준다.
• 표준 파이프라인에서 자주 유지되는 진짜 양성 군집 내의 가짜 양성 결과를 효과적으로 감소시켜 진단 신뢰도를 향상시킨다.