[논문 리뷰] Improving localization-based approaches for breast cancer screening exam classification

Thibault Févry, Jason Phang외 5명|arXiv (Cornell University)|2019. 08. 01.

AI in cancer detection참고 문헌 7인용 수 8

한 줄 요약

이 논문은 Faster R-CNN에 ResNet-101 및 ResNeXt-101 백본을 사용한 국소화 기반 딥러닝 접근법을 제안하여 유방암 스크리닝 검사 분류를 향상시킨다. 모델은 229,426건의 검사로 구성된 테스트 세트에서 AUC 0.919를 달성하여 이전 연구 대비 오차를 23% 감소시켰으며, 악성 및 양성 병변에 대해 해석 가능한 경계 상자(바운딩 박스)를 생성한다.

ABSTRACT

We trained and evaluated a localization-based deep CNN for breast cancer screening exam classification on over 200,000 exams (over 1,000,000 images). Our model achieves an AUC of 0.919 in predicting malignancy in patients undergoing breast cancer screening, reducing the error rate of the baseline (Wu et al., 2019a) by 23%. In addition, the models generates bounding boxes for benign and malignant findings, providing interpretable predictions.

연구 동기 및 목표

• 유방암 스크리닝에서 높은 위양성 재검토 비율 문제를 해결하기 위해 컴퓨터 지원 진단 시스템을 향상시키기 위해.
• 스크리닝 mammogram을 분류하는 데 있어 높은 정확도와 해석 가능성을 동시에 제공하는 딥러닝 모델을 개발하기 위해.
• 객체 검출을 통해 의심스러운 병변의 국소화를 활용하여 악성도 예측 오차를 줄이기 위해.
• 데이터 증강 및 학습 전략 수정을 통해 모델의 강건성과 일반화 능력을 향상시키기 위해.
• 병변에 대한 생성된 경계 상자를 통해 방사선의사가 모델 예측을 신뢰하고 이해할 수 있도록 하기 위해.

제안 방법

• 229,426건의 스크리닝 mammography 검사를 대상으로 ResNet-50, ResNet-101 또는 ResNeXt-101 백본을 사용한 Faster R-CNN 모델을 학습시켰다.
• 생체조직 검사에서 확보한 병변의 픽셀 수준의 주석을 사용하여 경계 상자 회귀 및 분류를 지도학습하였다.
• 노이즈가 있는 주석에 대한 강건성을 향상시키기 위해, 경계 상자를 [0.8, 1.2] 범위 내에서 무작위로 확대/축소하는 데이터 증강 기법을 적용하였다.
• 전경 제안에 대한 IoU 임계치를 0.7에서 0.5로 조정하여 유방 mammogram에서 정확도가 떨어지는 병변 경계를 더 잘 처리할 수 있도록 하였다.
• 주석이 없는 이미지도 학습에 활용하여, 이를 부정 샘플로 간주함으로써 과적합을 줄였다.
• 기울기 클리핑을 적용하였고, 고해상도 입력 요구 조건으로 인해 배치 크기를 4(각 GPU당 2개)로 감소시켰다.

실험 결과

연구 질문

• RQ1 기존 접근법에 비해 국소화 기반 딥러닝 모델이 유방암 스크리닝에서 악성도 예측 AUC를 향상시킬 수 있는가?
• RQ2 학습 중에 주석이 없는 이미지를 사용할 경우 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ3 백본 아키텍처와 입력 해상도가 모델 성능 및 안정성에 어떤 영향을 미치는가?
• RQ4 경계 상자 예측이 해석 가능성을 향상시키고 방사선의사의 임상적 의사결정에 도움이 될 수 있는가?
• RQ5 다양한 백본과 해상도를 가진 여러 모델을 앙상블하면 종합 진단 성능이 어떻게 향상되는가?

주요 결과

• 앙상블 모델은 테스트 세트에서 AUC 0.919를 달성하여, Wu et al. (2019a)의 베이스라인 모델 대비 상대 오차를 23% 감소시켰다.
• ResNeXt-101 백본을 사용한 모델가 가장 높은 개별 AUC 0.908을 기록하여, 동일한 해상도에서 ResNet-50 및 ResNet-101보다 뛰어난 성능을 보였다.
• 본 논문의 방법을 이전 모델(Wu et al., 2019a)과 앙상블함으로써 테스트 세트에서 AUC 0.930, 독자 연구 서브셋에서 AUC 0.895로 향상시켰다.
• 모델은 해석 가능한 경계 상자를 생성하여 악성 병변(예: 0.99 예측 신뢰도)과 양성 병변(예: 0.36)을 모두 국소화하여 임상적 해석에 기여하였다.
• 예측 분포의 尾행동을 포착하기 위해 추론 점수 임계치를 0.05에서 0.001로 낮추었더니 AUC 성능이 향상되었다.
• 생체조직 검사가 필요한 경우와 음성 케이스를 구분하는 데서, 양성과 악성 케이스를 구분하는 것보다 더 우수한 분류 능력을 보였다.