[논문 리뷰] Deep Angular Embedding and Feature Correlation Attention for Breast MRI Cancer Analysis

Luyang Luo, Hao Chen외 6명|arXiv (Cornell University)|2019. 06. 07.

AI in cancer detection참고 문헌 15인용 수 6

한 줄 요약

이 논문은 각도 공간에서의 특징 구분을 향상시키기 위해 코시우스 마진 시그모이드 손실(Cosine Margin Sigmoid Loss, CMSL)을 사용하는 딥러닝 프레임워크를 제안하며, 약한 지도 학습을 위한 병변 국소화를 위해 COrrelation Attention Map(COAM)을 도입한다. 이 방법은 10,290개의 DCE-MRI 볼륨으로 구성된 대규모 데이터셋에서 85.5%의 정확도와 0.902의 AUC를 기록하여 분류 및 국소화 작업에서 최신 기술을 초월한다.

ABSTRACT

Accurate and automatic analysis of breast MRI plays an important role in early diagnosis and successful treatment planning for breast cancer. Due to the heterogeneity nature, accurate diagnosis of tumors remains a challenging task. In this paper, we propose to identify breast tumor in MRI by Cosine Margin Sigmoid Loss (CMSL) with deep learning (DL) and localize possible cancer lesion by COrrelation Attention Map (COAM) based on the learned features. The CMSL embeds tumor features onto a hypersphere and imposes a decision margin through cosine constraints. In this way, the DL model could learn more separable inter-class features and more compact intra-class features in the angular space. Furthermore, we utilize the correlations among feature vectors to generate attention maps that could accurately localize cancer candidates with only image-level label. We build the largest breast cancer dataset involving 10,290 DCE-MRI scan volumes for developing and evaluating the proposed methods. The model driven by CMSL achieved classification accuracy of 0.855 and AUC of 0.902 on the testing set, with sensitivity and specificity of 0.857 and 0.852, respectively, outperforming other competitive methods overall. In addition, the proposed COAM accomplished more accurate localization of the cancer center compared with other state-of-the-art weakly supervised localization method.

연구 동기 및 목표

• 모호한 클래스 간 차이와 높은 클래스 내 분산으로 인해 정확한 진단이 어려운 유방 MRI에서 종양 이질성 문제를 해결한다.
• 지역 수준의 레이블이 아닌 이미지 수준의 레이블만을 사용하여 암 병변 국소화를 위한 약한 지도 학습 방법을 개발한다.
• 특징 공간에서 각도 마진 제약을 강제하여 클래스 간 분離성과 클래스 내 밀집도를 향상시켜 암 분류를 위한 딥 특징 학습을 개선한다.
• 특징 상관관계를 기반으로 한 새로운 주의 메커니즘(COrrelation Attention Map, COAM)을 제안하여 기존의 클래스 활성화 맵에서 흔히 발생하는 관심 영역(RoI) 이동 문제를 해결한다.

제안 방법

• 딥 특징를 초구면에 매핑하고 클래스 간에 코시우스 기반 결합 마진을 도입하여, 클래스 간 분리성과 클래스 내 밀집도를 향상시키기 위해 코시우스 마진 시그모이드 손실(Cosine Margin Sigmoid Loss, CMSL)을 적용한다.
• CMSL을 각도 마진을 가진 수정된 시그모이드 손실로 공식화하며, 손실 함수는 특징 벡터와 가중치 벡터 간의 코시우스 값을 기반으로 하며, 초모수 s(스케일링)와 m(마진)을 포함한다.
• 딥 특징의 그람 행렬을 사용하여 상관관계 주의 맵(COAM)을 구성함으로써 채널 간 및 공간 간 상관관계를 포착하고, 경계 상자 레이블 없이도 약한 지도 학습을 통한 국소화를 가능하게 한다.
• 공백 네트워크로 3D ResNet34를 사용하며, 글로벌 평균 풀링 및 완전 연결 층을 1×1×1 컨벌루션 후 글로벌 평균 풀링으로 대체하여 공간 정보를 유지한다.
• 학습률 감소와 사전 학습된 3D ResNet34를 기반으로 한 가중치 초기화를 사용하여 CMSL을 통해 엔드 투 엔드로 모델을 훈련시키며, 분류 및 주의 맵 생성을 동시에 최적화한다.
• CMSL 최적화 네트워크에서 학습된 특징을 활용해 그람 행렬을 계산하고, 이를 바탕으로 COAM을 생성하여 국소화를 수행하며, 병변 간격을 사용해 거리 척도를 조정한다.

실험 결과

연구 질문

• RQ1 각도 공간에서의 특징 분리성을 향상시켜 딥러닝 기반 유방 MRI 종양 분류에서 성능을 향상시키기 위해 코시우스 마진 손실이 효과적인가?
• RQ2 제안된 COrrelation Attention Map(COAM)이 기존의 클래스 활성화 맵(CAM)에 비해 더 정확한 약한 지도 학습 기반의 암 후보 국소화를 달성하는가?
• RQ3 대규모 DCE-MRI 데이터셋(10,290볼륨)을 사용할 경우, 딥러닝 모델의 일반화 능력과 성능 향상에 어느 정도 기여하는가?
• RQ4 기존의 손실 함수(예: 정규화된 시그모이드 손실)와 비교했을 때, CMSL 기반 방법은 동일한 기준에서 특이도, 민감도 및 AUC 측면에서 어떻게 성능을 내는가?
• RQ5 특징 상관관계 기반 주의(COAM)는 CAM 기반 국소화 방법에서 관찰되는 RoI 이동 문제를 줄이는 데 효과적인가?

주요 결과

• CMSL 기반 모델은 85.5%의 분류 정확도를 기록하였으며, 민감도 85.7%, 특이도 85.2%를 달성하여 연구에서 평가된 모든 베이스라인 방법보다 뚜렷이 뛰어났다.
• 제안된 CMSL 방법은 AUC 0.902를 기록하여 다음으로 우수한 방법(3D ResNet+NSL)보다 2% 이상 높았으며, 뛰어난 분류 능력을 입증했다.
• COAM 방법은 방사선의사가 레이블링한 중심점으로부터 평균 18.26 ± 13.65 mm의 거리로 암 중심을 국소화하였으며, CAM은 평균 39.84 ± 8.82 mm의 거리로 더 높은 오차를 보였다.
• COAM 방법은 CAM 대비 국소화 오차를 50% 이상 감소시켜 RoI 이동 문제 완화에 효과적임을 입증했다.
• 3D ResNet+CMSL 모델는 다른 방법들보다 7.9퍼센트 포인트 이상 높은 특이도를 기록하여 양성과 악성 병변을 구분하는 데 있어 뛰어난 강건성을 보였다.
• 이 연구는 각도 마진 손실과 상관관계 기반 주의를 조합함으로써 이미지 수준의 레이블만으로도 약한 지도 학습 기반의 분류 및 국소화에서 최신 기술 성능을 달성할 수 있음을 입증한다.