[논문 리뷰] Automated soft tissue lesion detection and segmentation in digital mammography using a u-net deep learning network

Timothy de Moor, Alejandro Rodríguez‐Ruiz외 3명|arXiv (Cornell University)|2018. 02. 19.

AI in cancer detection참고 문헌 5인용 수 23

한 줄 요약

이 연구는 디지털 유방촬영에서 연조직 병변의 자동 검출 및 분할을 위한 U-Net 딥러닝 모델을 제안하며, 검사당 7.81개의 가짜 양성 결과에서 98%의 민감도를 달성하였다. 이 방법은 병변의 국소화 및 분할을 위해 엔드 투 엔드 학습을 활용하여, 장기적 병변 모니터링을 지원하는 컴퓨터 지원 진단 시스템의 후보 선택을 향상시킨다.

ABSTRACT

Computer-aided detection or decision support systems aim to improve breast cancer screening programs by helping radiologists to evaluate digital mammography (DM) exams. Commonly such methods proceed in two steps: selection of candidate regions for malignancy, and later classification as either malignant or not. In this study, we present a candidate detection method based on deep learning to automatically detect and additionally segment soft tissue lesions in DM. A database of DM exams (mostly bilateral and two views) was collected from our institutional archive. In total, 7196 DM exams (28294 DM images) acquired with systems from three different vendors (General Electric, Siemens, Hologic) were collected, of which 2883 contained malignant lesions verified with histopathology. Data was randomly split on an exam level into training (50\%), validation (10\%) and testing (40\%) of deep neural network with u-net architecture. The u-net classifies the image but also provides lesion segmentation. Free receiver operating characteristic (FROC) analysis was used to evaluate the model, on an image and on an exam level. On an image level, a maximum sensitivity of 0.94 at 7.93 false positives (FP) per image was achieved. Similarly, per exam a maximum sensitivity of 0.98 at 7.81 FP per image was achieved. In conclusion, the method could be used as a candidate selection model with high accuracy and with the additional information of lesion segmentation.

연구 동기 및 목표

• 디지털 유방촬영에서 민감도를 향상시키고 가짜 양성 결과를 줄이는 딥러닝 기반 후보 검출 시스템을 개발한다.
• 병변 분할을 검출 파이프라인에 통합하여 병변 변화의 장기적 모니터링을 지원한다.
• FROC 분석을 통해 다양한 제조사 및 영상 촬영 프로토콜에서의 성능을 평가한다.
• 독자 간 변동성과 간과된 암을 해결하기 위해 강력하고 자동화된 검출 프레임워크를 제공한다.
• 미래 연구에서 모델을 유방 단층촬영 및 합성 유방촬영으로 확장할 수 있는 가능성을 탐색한다.

제안 방법

• 3개 제조사(Geeneral Electric, Siemens, Hologic)에서 7,196건의 검사에 걸쳐 총 28,294장의 디지털 유방촬영 영상을 대상으로 U-Net 아키텍처를 엔드 투 엔드로 학습시켰다.
• 영상은 에너지 대역 정규화, 가우시안 필터링, 200 µm로의 다운샘플링, [0,1] 범위의 픽셀 스케일링을 거쳐 전처리되었다.
• 병변 중심은 질병의 중심질량으로 계산되었으며, 생검 검사로 확인된 악성 병변의 수동 애너테이션을 통해 참값 분할이 생성되었다.
• 후보 검출은 U-Net의 출력 확률 맵을 다양한 T 기준으로 임계값 처리한 후, 1.5cm 이내의 후보를 군집화하여 중복을 줄였다.
• 성능 평가에 FROC 분석을 사용하였으며, 병변 중심의 질량 중심에서 1.5cm 이내에 후보가 위치하면 정확하게 검출된 것으로 간주되었다.
• 모델은 50%의 검사를 학습용으로, 10%는 검증용으로, 40%는 테스트용으로 분리하여 학습하였으며, 영상 수준 및 검사 수준의 FROC 곡선을 기반으로 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 U-Net 기반 딥러닝 모델은 정확한 병변 분할을 제공하면서도 디지털 유방촬영에서 연조직 병변 검출에 대해 높은 민감도를 달성할 수 있는가?
• RQ2 모델의 성능은 다양한 유방촬영 제조사 및 영상 촬영 프로토콜 간에 어떻게 달라지는가?
• RQ3 분할 통합이 후보 검출의 신뢰성 향상과 병변의 장기적 모니터링 지원에 기여할 수 있는가?
• RQ4 실제 스크리닝 환경에서 민감도와 가짜 양성 결과 간의 상호 교환 관계는 어떠한가?
• RQ5 이 모델은 향후 디지털 유방 단층촬영 또는 합성 유방촬영과 같은 다른 영상 모odalities로 확장될 수 있는가?

주요 결과

• 영상 기반 FROC 분석에서 모델은 영상당 7.93개의 가짜 양성 결과에서 최대 민감도 0.94를 달성하였다.
• 검사 수준에서 모델은 영상당 7.81개의 가짜 양성 결과에서 최대 민감도 0.98을 달성하여, 병변을 포함한 검사의 검출 성능이 뛰어나다는 것을 보여주었다.
• U-Net 모델은 병변을 성공적으로 검출하고 분할하였으며, 분할된 형태가 흩어져 있는 침습성 유방세포암과 같은 도전적인 케이스도 잘 처리하였다.
• 모델은 다양한 제조사에서 우수한 성능을 보였지만, 시스템 간 성능 변동성이 여전히 한계로 남아 있다.
• 어느 한 시점(예: CC 시점)에서는 병변이 간과되었지만 다른 시점(예: MLO 시점)에서는 검출된 경우가 있었으며, 이는 다중 시점 상관 분석의 필요성을 시사한다.
• 분할 기능의 통합은 병변의 성장과 형태 변화를 장기적으로 모니터링할 수 있는 잠재적 가능성을 제공하며, 향상된 컴퓨터 지원 진단을 지원한다.