[論文レビュー] Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images

Sampa Misra, Seungwan Jeon+6 more|arXiv (Cornell University)|Feb 17, 2021

AI in cancer detection参考文献 33被引用数 4

ひとこと要約

本研究では、Bモードおよびストレインエラストグラフィー超音波画像を用いて、良性および悪性の乳腺腫瘍を分類するために、AlexNetとResNetの特徴を組み合わせたアンサンブル転移学習モデルを提案する。85名の患者から得られた261対のB-USおよびSE-US画像を活用し、モデルは88.89%の感度および91.10%の特異度を達成し、手動診断を上回り、早期で信頼性の高い乳がん検出を可能にする。

ABSTRACT

Computer-aided detection (CAD) of benign and malignant breast lesions becomes increasingly essential in breast ultrasound (US) imaging. The CAD systems rely on imaging features identified by the medical experts for their performance, whereas deep learning (DL) methods automatically extract features from the data. The challenge of the DL is the insufficiency of breast US images available to train the DL models. Here, we present an ensemble transfer learning model to classify benign and malignant breast tumors using B-mode breast US (B-US) and strain elastography breast US (SE-US) images. This model combines semantic features from AlexNet & ResNet models to classify benign from malignant tumors. We use both B-US and SE-US images to train the model and classify the tumors. We retrospectively gathered 85 patients' data, with 42 benign and 43 malignant cases confirmed with the biopsy. Each patient had multiple B-US and their corresponding SE-US images, and the total dataset contained 261 B-US images and 261 SE-US images. Experimental results show that our ensemble model achieves a sensitivity of 88.89% and specificity of 91.10%. These diagnostic performances of the proposed method are equivalent to or better than manual identification. Thus, our proposed ensemble learning method would facilitate detecting early breast cancer, reliably improving patient care.

研究の動機と目的

• 深層学習モデルの学習に使用可能なアノテート済み乳腺超音波画像の限界を是正すること。
• マルチモodal超音波画像を用いた良性および悪性の乳腺腫瘍を分類する診断精度の向上。
• 事前学習済み畳み込みニューラルネットワーク（AlexNetおよびResNet）からの意味的特徴を統合する転移学習フレームワークの開発。
• ペアドBモードおよびエラストグラフィーUS画像の前向きデータセット上で、アンサンブルモデルの性能を評価すること。

提案手法

• 本モデルは、Bモードおよびストレインエラストグラフィー超音波画像に適応した、事前学習済みAlexNetおよびResNetアーキテクチャを用いた転移学習を採用する。
• 両ネットワークの最終全結合層からの意味的特徴が連結され、統一された特徴表現が形成される。
• アンサンブル学習戦略により、両ネットワークからの特徴埋め込みが統合され、汎化性能および分類の頑健性が向上する。
• 統合された特徴は、二値交差エントロピー損失関数を用いて、良性および悪性腫瘍を区別する分類器に供給される。
• 本手法は、生検で確認済みの85名の患者から得られた261枚のB-USおよび261枚のSE-US画像から成る前向きデータセット上で訓練および検証される。
• データ拡張および転移学習技術が適用され、データ不足の問題を軽減し、モデルの汎化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 BモードおよびエラストグラフィーUS画像を用いた乳腺腫瘍診断の分類性能を向上させるために、転移学習モデルのアンサンブルは有効であるか？
• RQ2 AlexNetおよびResNetといった複数の事前学習済みCNNからの特徴を統合することで、単一モデルアプローチと比較して診断精度はどのように向上するか？
• RQ3 Bモードおよびエラストグラフィー画像モダリティの統合は、乳腺病変の感度および特異度の分類において、どの程度向上効果をもたらすか？
• RQ4 提案手法は、放射線科医による手動解釈と同等またはそれ以上の性能を達成するか？

主な発見

• アンサンブルモデルは、悪性乳腺腫瘍を検出するにあたり88.89%の感度を達成した。
• モデルは、良性病変を正しく同定するにあたり91.10%の特異度を示した。
• 本研究で提案する手法の診断性能は、放射線科医による手動同定と同等またはそれ以上であった。
• Bモードおよびエラストグラフィー画像の組み合わせは、単独で使用する場合と比較して、分類精度を顕著に向上させた。
• 事前学習済みAlexNetおよびResNetモデルを用いた転移学習の活用により、乳腺超音波画像におけるデータ不足の問題が効果的に緩和された。
• アンサンブルアプローチは単一モデルベースラインを上回り、複数の深層学習アーキテクチャからの特徴統合の利点を裏付けた。