[論文レビュー] Impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning

Michał Byra, Tomasz Sznajder+5 more|arXiv (Cornell University)|Apr 6, 2018

AI in cancer detection参考文献 16被引用数 7

ひとこと要約

本研究では、トランスファーラーニングを用いた乳腺病変分類における超音波画像再構成手法の影響を調査する。Bモード再構成における圧縮しきい値を変化させ、異なる再構成画像を用いたデータ拡張を施すことで、分類のロバスト性を向上させ、InceptionV3を用いてAUC 0.857を達成した。再構成のばらつきが医療画像におけるディープラーニング性能に顕著に影響することを示している。

ABSTRACT

Deep learning algorithms, especially convolutional neural networks, have become a methodology of choice in medical image analysis. However, recent studies in computer vision show that even a small modification of input image intensities may cause a deep learning model to classify the image differently. In medical imaging, the distribution of image intensities is related to applied image reconstruction algorithm. In this paper we investigate the impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning. Due to high dynamic range raw ultrasonic signals are commonly compressed in order to reconstruct B-mode images. Based on raw data acquired from breast lesions, we reconstruct B-mode images using different compression levels. Next, transfer learning is applied for classification. Differently reconstructed images are employed for training and evaluation. We show that the modification of the reconstruction algorithm leads to decrease of classification performance. As a remedy, we propose a method of data augmentation. We show that the augmentation of the training set with differently reconstructed B-mode images leads to a more robust and efficient classification. Our study suggests that it is important to take into account image reconstruction algorithms implemented in medical scanners during development of computer aided diagnosis systems.

研究の動機と目的

• 超音波画像再構成アルゴリズムがディープラーニングベースの乳腺病変分類に与える影響を調査すること。
• 再構成の差による入力画像強度の変動によって生じるディープラーニングモデルの不安定性に対処すること。
• 訓練プロセスに多様な再構成設定を組み込むことで、分類のロバスト性を向上させること。
• 異なる再構成Bモード画像を用いたデータ拡張が、異なるスキャナ設定間でのモデル一般化を向上させることを実証すること。

提案手法

• 研究用超音波スキャナを用いて251例の乳腺病変から生の超音波データを取得した。
• 異なるしきい値（40 dB、50 dB、60 dB）を用いた対数圧縮を適用し、Bモード画像を再構成した。
• 再構成画像に対して、事前学習済みのInceptionV3およびVGG19モデルを用いてトランスファーラーニングを適用した。
• 異なるしきい値で再構成された画像を組み合わせた拡張データセット（Train_ALL）を用いて分類器を訓練した。
• 同じ再構成設定で訓練したテストセットと、異なる再構成設定でテストしたテストセットの両方で性能を評価した。
• 分類性能を比較するために、主にAUCを指標として用いた。

実験結果

リサーチクエスチョン

• RQ1 超音波画像再構成パrameterのばらつきが、乳腺病変分類におけるディープラーニングモデルの性能にどのように影響するか？
• RQ2 異なる再構成Bモード画像を用いたデータ拡張が、トランスファーラーニングモデルのロバスト性をどの程度向上させるか？
• RQ3 複数の再構成バリアントで訓練することで、異なる設定で再構成された画像に対してテストした際の一般化性能が向上するか？
• RQ4 異なる圧縮しきい値が、境界やテクスチャなどの病変特徴の可視性にどのように影響するか？
• RQ5 複数の再構成設定で訓練した1つのCADxシステムが、異なるスキャナプロトコル間で高い性能を維持できるか？

主な発見

• テスト画像が訓練時とは異なる方法で再構成された場合、分類性能が顕著に低下することが判明した。これは再構成パrameterに敏感であることを示している。
• 複数の再構成しきい値（Train_ALL）を用いたデータ拡張により、異なる再構成設定間でのモデルのロバスト性と一般化性能が向上した。
• InceptionV3とTrain_ALLを組み合わせた場合が、全体として最高の分類性能を示し、AUCは0.857を達成した。
• 同じ拡張戦略を用いたVGG19ではAUCが0.822を記録し、ベースライン学習に比べて一貫した向上が確認された。
• 高い圧縮しきい値（例：60 dB）はエッジコントラストを向上させ、悪性と関連する形態的特徴を強調する可能性がある。これは性能差の要因である可能性がある。
• 本研究は、スキャナ固有の再構成アルゴリズムがCADxシステム開発段階で考慮されるべきであることを強調しており、入力データに顕著な分布シフトを引き起こす可能性がある。