[논문 리뷰] Using Machine Learning to Automate Mammogram Images Analysis

Xuejiao Tang, Zhang Liu-hua외 7명|arXiv (Cornell University)|2020. 12. 06.

AI in cancer detection참고 문헌 18인용 수 7

한 줄 요약

이 연구는 기계 학습 기반의 컴퓨터 지원 진단 시스템을 제안하여 자동화된 유방 조영 검사 분석을 수행하며, 이는 이산 웨이블릿 및 푸리에 변환을 통한 특징 추출, 엔트로피 기반 특징 선택, 다중 분류기(포용적 방법 포함)를 통합하여 캐나다 데이터셋에서 최적의 특징을 사용할 경우 96.06%의 정확도와 97.45%의 특이도를 달성한다.

ABSTRACT

Breast cancer is the second leading cause of cancer-related death after lung cancer in women. Early detection of breast cancer in X-ray mammography is believed to have effectively reduced the mortality rate. However, a relatively high false positive rate and a low specificity in mammography technology still exist. In this work, a computer-aided automatic mammogram analysis system is proposed to process the mammogram images and automatically discriminate them as either normal or cancerous, consisting of three consecutive image processing, feature selection, and image classification stages. In designing the system, the discrete wavelet transforms (Daubechies 2, Daubechies 4, and Biorthogonal 6.8) and the Fourier cosine transform were first used to parse the mammogram images and extract statistical features. Then, an entropy-based feature selection method was implemented to reduce the number of features. Finally, different pattern recognition methods (including the Back-propagation Network, the Linear Discriminant Analysis, and the Naive Bayes Classifier) and a voting classification scheme were employed. The performance of each classification strategy was evaluated for sensitivity, specificity, and accuracy and for general performance using the Receiver Operating Curve. Our method is validated on the dataset from the Eastern Health in Newfoundland and Labrador of Canada. The experimental results demonstrated that the proposed automatic mammogram analysis system could effectively improve the classification performances.

연구 동기 및 목표

• 유방 조영 검사 선별에서 높은 가짜 양성 비율과 낮은 특이도가 조기에 유방암을 탐지하는 데 장애가 되는 문제를 해결하기 위해.
• 의료진의 전문 지식과 이중 검사 프로토콜에 대한 의존도를 줄이기 위해 유방 조영 검사의 정상 또는 악성 여부를 자동으로 분류하기 위해.
• 기계 학습을 활용한 고급 특징 추출 및 지능형 분류를 통해 진단 정확도를 향상시키기 위해.
• 다양한 분류기(LDA, BP, NB, 포용적 방법)를 평가하고 비교하여 유방 조영 검사 분류에 가장 효과적인 접근 방식을 규명하기 위해.
• 엔트로피 기반 정보 양을 활용한 특징 선택을 통해 차원을 감소시키면서도 분류 성능을 향상시키기 위해.

제안 방법

• 이산 웨이블릿 변환(Daubechies 2, 4 및 Biorthogonal 6.8)과 코사인 푸리에 변환을 적용하여 유방 조영 검사 영상에서 통계적 특징을 추출한다.
• 엔트로피 기반 특징 선택 방법을 사용하여 정보 양에 기반해 12개의 가장 유용한 특징을 순위 매기고 선별한다.
• 세 가지 기본 분류기인 선형 판별 분석(LDA), 백프로파게이션(BP) 신경망, 나이브 베이즈(NB) 분류기를 구현한다.
• 세 분류기를 포용적 방법을 통해 통합하여 전체 분류 성능을 향상시킨다.
• 민감도, 특이도, 정확도 및 수신기 작동 특성(ROC) 곡선을 사용하여 성능을 평가한다.
• 캐나다 뉴펀들랜드 앤 래브라도의 동부 헬스에서 확보한 실제 데이터셋을 사용하여 시스템을 훈련 및 테스트한다.

Figure 1: Framework of automatic mammogram analysis system.

실험 결과

연구 질문

• RQ1 기계 학습 기법을 사용할 경우 전통적 방법에 비해 자동화된 유방 조영 검사 분류의 특이도와 정확도를 크게 향상시킬 수 있는가?
• RQ2 웨이블릿 및 푸리에 변환의 통합이 유방 조영 검사에서 유방암 탐지에 있어 특징 추출을 어떻게 향상시키는가?
• RQ3 엔트로피 기반 특징 선택이 불필요하거나 중복된 특징을 줄임으로써 분류 성능을 얼마나 향상시키는가?
• RQ4 개별 분류기(LDA, BP, NB)와 앙상블 전략(포용적 방법) 중에서 민감도, 특이도 및 정확도 측면에서 가장 높은 진단 성능을 보이는 것은 무엇인가?
• RQ5 정보 양을 통해 선별된 최적의 특징을 사용할 경우 개별 변환 조합에서 얻은 특징에 비해 분류 성과가 뛰어나게 되는가?

주요 결과

• 최적의 특징 세트를 사용할 경우 포용적 분류 기법이 가장 높은 정확도(96.06%)와 특이도(97.45%)를 기록하여 모든 개별 분류기보다 뛰어난 성능을 보였다.
• 포괄적 앙상블에서 나이브 베이즈 분류기가 가장 높은 민감도(96.45%)와 특이도(97.45%)를 기록하여 악성 병변을 탐지하는 데 강력한 성능을 보였다.
• 백프로파게이션 신경망은 단일 분류기 중에서 가장 높은 개별 정확도(94.14%)를 기록하여 정상 및 악성 병변에 걸쳐 뛰어난 일반화 능력을 보였다.
• 엔트로피 기반 정보 양을 통해 선별된 최적의 특징 세트는 db2-푸리에, bior6.8-푸리에, db4-푸리에 조합에서 얻은 특징보다 유의미하게 뛰어난 성능을 보였다.
• 최적의 특징을 사용할 경우 db2-푸리에 및 bior6.8-푸리에 특징에 비해 특이도가 각각 5.42%와 7.04% 향상되어 특징 선택의 영향을 확인할 수 있었다.
• ROC 곡선 분석 결과, 포용적 분류기가 모든 특징 세트에서 다른 모든 분류기보다 일관되게 뛰어난 성능을 보였으며, 특히 고특이도 영역에서 두드러진 성능 향상을 보였다.