[논문 리뷰] Classifying Mammographic Breast Density by Residual Learning

Jingxu Xu, Cheng Li외 4명|arXiv (Cornell University)|2018. 09. 21.

Digital Radiography and Breast Imaging참고 문헌 1인용 수 9

한 줄 요약

이 연구는 BI-RADS 카테고리로 유방 조영 검사에서의 유방 밀도를 완전 자동으로 분류하기 위한 잔차 학습 기반 딥 컨volution 신경망을 제안한다. 엔드 투 엔드 훈련과 고용량 특징 추출을 활용함으로써, 이 방법은 네 클래스 분류에서 92.6%의 정확도와 두 클래스 분류에서 96.8%의 정확도를 달성하여, 다중 시야 이미지 융합이나 수동 전처리를 필요로 하지 않으면서도 최신 기술보다 뚜렷하게 뛰어난 성능을 보였다.

ABSTRACT

Mammographic breast density, a parameter used to describe the proportion of breast tissue fibrosis, is widely adopted as an evaluation characteristic of the likelihood of breast cancer incidence. In this study, we present a radiomics approach based on residual learning for the classification of mammographic breast densities. Our method possesses several encouraging properties such as being almost fully automatic, possessing big model capacity and flexibility. It can obtain outstanding classification results without the necessity of result compensation using mammographs taken from different views. The proposed method was instantiated with the INbreast dataset and classification accuracies of 92.6% and 96.8% were obtained for the four BI-RADS (Breast Imaging and Reporting Data System) category task and the two BI-RADS category task,respectively. The superior performances achieved compared to the existing state-of-the-art methods along with its encouraging properties indicate that our method has a great potential to be applied as a computer-aided diagnosis tool.

연구 동기 및 목표

• 딥 러닝을 이용한 유방 조영 검사 유방 밀도 분류의 자동화 및 고정확도 방법 개발
• 수동 특징 공학 및 분할 기반 전통적인 레이디오믹스 방법의 한계를 극복하기 위해
• 잔차 신경망의 고모델 용량을 활용하여 다중 시야 이미지 융합이 필요 없도록 하기 위해
• 유방 밀도 평가에서 컴퓨터 지원 진단을 위한 융통성 있고 이식 가능한 딥 러닝 기반 기준 마련하기
• 유방 조영 검사의 사전 분할 또는 광범위한 전처리 없이 엔드 투 엔드 훈련을 가능하게 하기 위해

제안 방법

• 전체 유방 조영 검사 이미지에서 계층적 고수준 특징을 자동으로 추출하기 위해 잔차 컨volution 신경망(ResNet)을 사용한다.
• 모델은 수동 유방 분할이나 수작업 특징 공학 없이 원시 유방 조영 검사 이미지에서 엔드 투 엔드로 훈련된다.
• 잔차 학습 프레임워크는 기울기 소실 문제를 완화함으로써 깊은 네트워크의 훈련을 가능하게 한다.
• 이 방법은 전체 영역의 유방 조영 검사 이미지를 직접 처리하여 전체 이미지에 걸쳐 공간적 및 강도 정보를 유지한다.
• 모델 성능은 표준 BI-RADS 네 클래스 및 두 클래스 분류 작업을 수행하기 위해 INbreast 데이터셋에서 평가된다.
• 다른 이미징 시스템이나 데이터셋에 대한 도메인 적응을 위해 피니테이닝이 지원된다.

실험 결과

연구 질문

• RQ1 잔차 학습 기반 딥 러닝 모델은 전통적인 레이디오믹스 및 얕은 CNN에 비해 뛰어난 유방 밀도 분류 정확도를 달성할 수 있는가?
• RQ2 엔드 투 엔드 딥 러닝 접근 방식은 유방 밀도 분류에서 수동 이미지 전처리 및 다중 시야 융합이 필요 없는가?
• RQ3 피니테이닝을 통해 단일 딥 모델이 다양한 이미징 도메인에서 일반화될 수 있는가? 이는 다시 학습이 필요 없는 것을 줄이는가?
• RQ4 높은 모델 용량이 도전적인 BI-RADS 카테고리, 특히 BI-RADS IV에서 분류 성능 향상에 얼마나 기여하는가?
• RQ5 동일한 기준 데이터셋을 사용할 때 기존 최신 기술 대비 제안된 방법의 정확도와 강건성은 어떻게 비교되는가?

주요 결과

• 제안된 방법은 INbreast 데이터셋에서 네 클래스 BI-RADS 분류 정확도 92.6%를 달성하여 이전 최신 기술보다 뚜렷하게 뛰어난 성능을 보였다.
• 두 클래스 BI-RADS 과제에서는 96.8%의 정확도를 달성하여 가장 임상적으로 중요한 구분(밀도 있는 vs. 밀도 없는)에서 강력한 성능을 보였다.
• 모든 BI-RADS 카테고리에서 높은 정확도를 달성했으며, BI-RADS I는 96.0%, BI-RADS IV는 82.6%를 기록하여 도전적인 클래스에서도 강건함을 입증했다.
• 표준 여덟 층 CNN(78.95% 정확도)과 고처리량 시각적 표현을 초월하여 잔차 학습의 우수성을 확인했다.
• 다중 시야 이미지 융합이 필요 없었기 때문에, 고모델 용량이 시야 보정을 대체할 수 있음을 시사했다.
• 피니테이닝을 통해 쉽게 확장 가능하여, 최소한의 데이터와 훈련 시간으로 새로운 이미징 시스템에 적응할 수 있었다.