[논문 리뷰] Interpretable Fully Convolutional Classification of Intrapapillary Capillary Loops for Real-Time Detection of Early Squamous Neoplasia

Luis C. García-Peraza-Herrera, Martin Everson외 11명|arXiv (Cornell University)|2018. 05. 02.

AI in cancer detection참고 문헌 7인용 수 6

한 줄 요약

이 논문은 좁은 대역면 영상 내시경에서 조기 편평세포 악성종양을 탐지하기 위해 해석 가능한 실시간 분류를 위한 깊이 감독을 통한 완전 컨volution 신경망과 통합된 클래스 활성화 맵(eCAM)을 제안한다. 깊이 감독과 eCAM을 통합함으로써 F1 스코어가 92.7%로 향상되었고, 영상 진단에서 사용되는 영상학적 특징과 일치하는 고해상도이고 임상적으로 해석 가능한 주의 맵을 생성하였다.

ABSTRACT

In this work, we have concentrated our efforts on the interpretability of classification results coming from a fully convolutional neural network. Motivated by the classification of oesophageal tissue for real-time detection of early squamous neoplasia, the most frequent kind of oesophageal cancer in Asia, we present a new dataset and a novel deep learning method that by means of deep supervision and a newly introduced concept, the embedded Class Activation Map (eCAM), focuses on the interpretability of results as a design constraint of a convolutional network. We present a new approach to visualise attention that aims to give some insights on those areas of the oesophageal tissue that lead a network to conclude that the images belong to a particular class and compare them with those visual features employed by clinicians to produce a clinical diagnosis. In comparison to a baseline method which does not feature deep supervision but provides attention by grafting Class Activation Maps, we improve the F1-score from 87.3% to 92.7% and provide more detailed attention maps.

연구 동기 및 목표

• 저유병률 환경에서 특히 어려운 조기 편평세포 악성종양을 탐지하는 임상적 과제를 해결하기 위해.
• 임상 진단 특징와 일치하는 해석 가능한 주의 맵을 제공하는 완전 컨volution형 실시간 분류 시스템을 개발하기 위해.
• IPCL 분류를 위한 재현 가능한 연구를 가능하게 하는 17명의 환자로부터 확득한 7,046개의 프레임으로 구성된 새로운 데이터셋을 제공하기 위해.
• 다양한 네트워크 깊이에서 주의 맵(eCAM)을 통합함으로써 공간 해상도와 임상적 관련성을 유지함으로써 모델의 해석 가능성 향상하기 위해.
• 자동으로 학습된 특징이 IPCL 두께, 비틀림, 비정상성과 같은 임상에서 사용되는 시각적 단서와 관련이 있음을 검증하기 위해.

제안 방법

• 다양한 크기의 수용 영역을 가진 특징 학습을 향상시키기 위해 다중 척도 감독을 통한 깊이 감독을 통한 완전 컨볼루션 신경망(FCN)을 제안한다.
• 각 척도에서 주의 맵을 저장하고 전파하는 임bedded Class Activation Maps(eCAM)를 도입하여 공간 해상도를 유지하고 실시간 추론를 가능하게 한다.
• 완전 컨볼루션 추론을 위해 최종 레이어에서 전역 평균 풀링(GAP)을 적용하여 완전 연결층을 사용하지 않는다.
• 소규모 데이터셋에서의 훈련 안정성을 확보하기 위해 고정 학습률 1e-6, 모멘터 0.9, 배치 크기 1로 설정한 확률적 경사 하강법(SGD)을 적용한다.
• 해상도 수준 L3, L4, L5에서의 eCAM을 융합하는 전략을 통해 고품질의 통합 주의 맵을 생성한다.
• 교차 검증 폴드별로 별도의 네트워크를 훈련하고, 매 200 반복마다 모델 스냅샷을 저장하며 검증 성능에 기반해 최고 성능을 보인 모델을 선택한다.

실험 결과

연구 질문

• RQ1 통합된 주의 맵(eCAM)이 내장된 깊이 감독을 통한 FCN가 내시경 영상에서 조기 편평세포 악성종양 탐지의 성능과 해석 가능성 향상에 기여하는가?
• RQ2 모델이 생성한 주의 맵이 IPCL 형태, 두께, 비정상성과 같은 임상적으로 관련 있는 특징과 일치하는가?
• RQ3 다양한 해상도의 내시경 프레임에서도 높은 정확도와 해석 가능성 유지하면서 실시간 추론을 달성할 수 있는가?
• RQ4 깊이 감독의 통합이 표준 CAM 기반 방법에 비해 특징 학습과 히트맵 품질 향상에 어떻게 기여하는가?
• RQ5 모델이 학습한 특징이 임상의가 IPCL 이상을 진단할 때 사용하는 특징과 얼마나 유사하거나 다름을 보이는가?

주요 결과

• 제안된 방법은 다섯 개의 교차 검증 폴드에서 평균 F1 스코어 92.7%를 달성하였으며, 기준 방법(87.3%)에 비해 유의미한 향상이 있었다.
• 감도(89.7%)와 특이도(96.9%)가 모두 높아 건강한 조직과 병변이 있는 조직 패tern을 잘 구분함을 보여주었다.
• eCAM은 비정상적이고 별 모양의 IPCL 패턴과 국소적으로 병변이 있는 영역을 성공적으로 강조하였고, 정보가 없는 반사 영역은 제거하였다.
• 정상 점막 혈관이 존재하더라도 건강한 조직 영역을 올바르게 양성으로 식별하여 임상적 의미 있는 가짜 양성 결과를 줄였다.
• 낮은 해상도 레이어(L1 및 L2)에서의 주의 맵은 수용 영역가 제한되고 특징 추상화가 부족하여 매우 불확실한 것으로 확인되었으며, 이는 깊이 감독의 중요성을 확인한다.
• 프레임당 예측 시간은 26.17 ms에서 37.48 ms 사이로 변동하였으며, 표준 하드웨어에서 실시간 추론 능력을 확인하였다.