[논문 리뷰] Towards Automatic Lesion Classification in the Upper Aerodigestive Tract Using OCT and Deep Transfer Learning Methods

Nils Gessert, Matthias Schlüter외 4명|tub.dok (Hamburg University of Technology)|2019. 02. 10.

Optical Coherence Tomography Applications참고 문헌 2인용 수 5

한 줄 요약

이 연구는 광학 간섭 단층촬영(OCT) 영상을 사용하여 상부 호흡·소화기 도랑(UADT)의 악성 및 양성 병변을 자동으로 분류하기 위한 딥 트랜스퍼 러닝 접근법을 제안한다. 매우 작은 데이터셋(100개 병변)에도 불구하고, 특징 추출 레이어를 고정하고 분류기 헤드만 재학습하는 방식으로 인간 전문가 수준의 성능을 달성하였으며, SE-ResNeXt50를 사용해 민감도 75.00% 및 특이도 84.95%를 기록하였다.

ABSTRACT

Early detection of cancer is crucial for treatment and overall patient survival. In the upper aerodigestive tract (UADT) the gold standard for identification of malignant tissue is an invasive biopsy. Recently, non-invasive imaging techniques such as confocal laser microscopy and optical coherence tomography (OCT) have been used for tissue assessment. In particular, in a recent study experts classified lesions in the UADT with respect to their invasiveness using OCT images only. As the results were promising, automatic classification of lesions might be feasible which could assist experts in their decision making. Therefore, we address the problem of automatic lesion classification from OCT images. This task is very challenging as the available dataset is extremely small and the data quality is limited. However, as similar issues are typical in many clinical scenarios we study to what extent deep learning approaches can still be trained and used for decision support.

연구 동기 및 목표

• 제한된 OCT 영상 데이터를 사용하여 상부 호흡·소화기 도랑(UADT) 병변의 자동 분류 과제를 해결하기 위해.
• 딥 트랜스퍼 러닝이 UADT 병변의 의료 영상 분류에서 데이터 부족 문제를 극복할 수 있는지 평가하기 위해.
• 작은 비균형 데이터셋에서 모든 가중치를 미세조정, 분류기만 재학습, 초기 학습 등의 다양한 학습 전략을 비교하기 위해.
• 딥 러닝 모델이 침습성 대비 양성 UADT 병변을 분류할 때 인간 전문가 평가자 수준의 성능을 달성할 수 있는지 확인하기 위해.
• 데이터 증강, 정규화, 손실 균형 조정이 낮은 데이터 환경에서 모델의 일반화 능력에 미치는 영향을 평가하기 위해.

제안 방법

• Volgger 등(2013)의 연구에서 확보한 100개의 OCT 영상(양성 91개, 침습성 9개)을 사용하였으며, 조직학적 확진된 진단 기준을 기반으로 하였다.
• 1개의 침습성 병변을 제외한 나머지 데이터를 사용하는 이중 교차검증(8개 분할)을 적용하여 안정적인 평가를 확보하였다. 각 분할은 1개의 침입성 병변과 9개의 양성 병변을 포함하였다.
• ImageNet에서 사전 학습된 최신 딥 러닝 아키텍처 3종—ResNet18, DenseNet121, SE-ResNeXt50—를 사용하여 트랜스퍼 러닝을 수행하였다.
• 각 OCT 영상의 크기를 모델 입력 치수에 맞추기 위해 이중선형 보간법을 사용해 224×224 픽셀로 조정하였다.
• 최종 분류 레이어를 이원 출력 레이어로 교체하고, 학습률 1×10⁻⁶를 사용한 Adam 옵timizer를 적용하여 학습하였다.
• 비대칭성 해소를 위해 랜덤 수평 뒤집기, 밝기, 대비, 채도 조정 등의 데이터 증강 기법을 적용하였으며, 드롭아웃(p=0.2)과 클래스 균형 손실 가중치를 활용하였다.

실험 결과

연구 질문

• RQ1 매우 작은 데이터셋에도 불구하고 딥 트랜스퍼 러닝이 UADT 병변의 신뢰할 수 있는 자동 분류를 달성할 수 있는가?
• RQ2 이 낮은 데이터 환경에서 분류기 헤드만 재학습하는 방식이 모든 레이어를 미세조정하거나 초기 학습하는 것보다 어떻게 비교되는가?
• RQ3 데이터 증강 및 정규화 기법이 저품질, 소규모 의료 영상 데이터셋에서 모델 성능 향상에 얼마나 기여하는가?
• RQ4 딥 러닝 모델의 성능이 인간 전문가의 성능을 도달하거나 초월하는가? 이는 OCT 영상을 사용한 침입성 대비 양성 UADT 병변 분류에서 성립하는가?
• RQ5 이러한 제약된 데이터 조건 하에서 어떤 딥 러닝 아키텍처가 가장 우수한 성능을 보이는가?

주요 결과

• 분류기 헤드만 재학습(RC) 전략이 모든 지표에서 최고의 성능을 기록하였으며, SE-ResNeXt50를 사용해 정확도 82.76%, 민감도 75.00%, 특이도 84.95%를 달성하였다.
• SE-ResNeXt50 모델은 모든 학습 시나리오에서 ResNet18 및 DenseNet121를 앞서며, 이 작업에 적합한 아키텍처임을 입증하였다.
• 초기 학습(SCR)은 빈약한 결과를 보였으며, 정확도 60.19% 및 민감도 37.50%에 머물렀다. 이는 사전 학습 없이 작은 데이터셋에서 학습하는 데서 기인한 한계를 시사한다.
• 모든 가중치를 미세조정(FT)하는 전략은 초기 학습보다 약간의 향상을 보였지만, RC 전략의 성능을 넘어서지 못했으며, 이는 소규모 데이터 환경에서 과적합 위험이 있음을 시사한다.
• RC 전략는 Volgger 등(2013)의 평균 인간 평가자 수준과 유사한 민감도(75.00%) 및 특이도(77.32%)를 달성하였으며, DenseNet121 기준으로는 81.98%의 F1 점수를 기록하였다. SE-ResNeXt50는 81.98%의 F1 점수를 기록하였다.
• 정규화된 역클래스 빈도 기반 손실 균형 조정이 극도로 비균형적인 데이터셋에서 모델 성능 향상에 크게 기여하였다.