[논문 리뷰] Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks

Daniel Lévy, Arzav Jain|arXiv (Cornell University)|2016. 12. 02.

AI in cancer detection참고 문헌 20인용 수 167

한 줄 요약

이 논문은 엔드-투-엔드 CNN을 훈련시켜 유방 촬영영상에서 미리 분할된 종양을 양성 또는 악성으로 분류하고, 전이 학습, 컨텍스트 확장, 데이터 증강을 사용하여 DDSM에서 최첨단 결과를 달성하며 해석 가능한 주의력 맵을 제공합니다.

ABSTRACT

Mammography is the most widely used method to screen breast cancer. Because of its mostly manual nature, variability in mass appearance, and low signal-to-noise ratio, a significant number of breast masses are missed or misdiagnosed. In this work, we present how Convolutional Neural Networks can be used to directly classify pre-segmented breast masses in mammograms as benign or malignant, using a combination of transfer learning, careful pre-processing and data augmentation to overcome limited training data. We achieve state-of-the-art results on the DDSM dataset, surpassing human performance, and show interpretability of our model.

연구 동기 및 목표

• 자동화된, 엔드-투-엔드 유방 종양 분류를 통해 놓친 진단 및 방사선의사 간 변이성을 줄인다.
• 소형 의료 데이터셋을 극복하기 위해 전이 학습, 종양 주위 맥락, 데이터 증강을 조사한다.
• 임상 도입을 지원하기 위한 주의력 맵을 통한 모델 해석가능성을 평가한다.

제안 방법

• 2-class 분류를 위한 세 가지 CNN 아키텍처(베이스라인, AlexNet, GoogLeNet) 평가.
• ImageNet에서 사전 학습된 가중치를 사용하고 유방촬영 데이터에 맞춘 학습률 스케줄로 미세조정한다.
• 고정 컨텍스트 패딩과 비례 컨텍스트 패딩 비교 및 데이터 증강 적용(회전, 자르기, 대칭).
• 배치 크기 64, 입력 224x224x3으로 적합한 Adam 또는 SGD로 학습한다.
• 모델 예측을 해석하기 위한 주의력 맵 시각화를 제공한다(그라디언트 기반).

실험 결과

연구 질문

• RQ1 엔드-투-엔드 CNN이 유방 영상에서 미리 분할된 종양을 양성/악성으로 분류할 수 있는가?
• RQ2 전이 학습, 컨텍스트 크기, 데이터 증강이 DDSM 데이터셋의 성능을 향상시키는가?
• RQ3 주의력 맵이 유방 종양 분류에 대한 모델 결정에 해석 가능한 통찰을 제공할 수 있는가?

주요 결과

모델	정확도	정밀도	재현율	에포크 수
Baseline (Aug-Large Context)	0.604	0.587	0.703	35
AlexNet (Aug - Large Context)	0.890	0.908	0.868	30
GoogLeNet (Aug - Large Context)	0.929	0.924	0.934	30

• Augmentation 및 대형 컨텍스트를 갖춘 GoogLeNet이 가장 높은 테스트 정확도 0.929를 달성했고, 정밀도 0.924 및 재현율 0.934를 기록했다.
• ImageNet에서의 전이 학습이 베이스라인 모델 대비 성능을 크게 향상시켰다.
• 비례(종양 두 배 크기) 컨텍스트가 고정 패딩 컨텍스트보다 우수하다.
• 데이터 증강이 훈련을 크게 안정시키고 일반화 성능을 향상시킨다.
• 최적 모델의 재현율(0.934)이 이전 연구에서 보고된 방사선 전문의 재현율 범위를 초과한다.
• 주 의력 맵은 종양 가장자리와 주변 맥락에 초점을 두며 해석 가능성을 제공한다.