[论文解读] Breast Cancer Detection Using Convolutional Neural Networks

Simon Hadush, Yaecob Girmay+2 more|arXiv (Cornell University)|Mar 17, 2020

AI in cancer detection参考文献 21被引用 16

一句话总结

本研究提出了一种基于Faster R-CNN的卷积神经网络（CNN），用于在乳腺X线摄影中自动检测和分类乳腺肿块，整合了特征提取、区域建议和感兴趣区域（ROI）池化。该模型在埃塞俄比亚医院本地收集的数据集上实现了91.86%的检测准确率、94.67%的敏感性以及92.2%的AUC-ROC，显著优于基于VGG的Faster R-CNN基线模型。

ABSTRACT

Breast cancer is prevalent in Ethiopia that accounts 34% among women cancer patients. The diagnosis technique in Ethiopia is manual which was proven to be tedious, subjective, and challenging. Deep learning techniques are revolutionizing the field of medical image analysis and hence in this study, we proposed Convolutional Neural Networks (CNNs) for breast mass detection so as to minimize the overheads of manual analysis. CNN architecture is designed for the feature extraction stage and adapted both the Region Proposal Network (RPN) and Region of Interest (ROI) portion of the faster R-CNN for the automated breast mass abnormality detection. Our model detects mass region and classifies them into benign or malignant abnormality in mammogram(MG) images at once. For the proposed model, MG images were collected from different hospitals, locally.The images were passed through different preprocessing stages such as gaussian filter, median filter, bilateral filters and extracted the region of the breast from the background of the MG image. The performance of the model on test dataset is found to be: detection accuracy 91.86%, sensitivity of 94.67% and AUC-ROC of 92.2%.

研究动机与目标

• 为解决埃塞俄比亚乳腺癌诊断中高误诊率和报告延迟的问题，该地区手动阅片导致10–30%的错误率。
• 开发一种自动化的深度学习系统，用于在数字化乳腺X线摄影中检测和分类乳腺肿块为良性或恶性。
• 提供一个公开可用的、来自埃塞俄比亚医院的本地采集数据集，以支持低资源环境下的未来研究。
• 提高早期检测的准确性，减少对低收入国家中主观且耗时的 manually 分析的依赖。

提出的方法

• 设计了一种自定义CNN架构用于特征提取，替代Faster R-CNN中的标准VGG主干网络。
• 对Faster R-CNN的区域建议网络（RPN）和ROI池化组件进行了调整，以实现乳腺肿块的端到端目标检测。
• 图像预处理包括高斯滤波、中值滤波和双边滤波，随后对乳腺区域进行从背景中分割。
• 应用数据增强和批量归一化技术，以减少过拟合和内部协变量偏移。
• 使用1588张图像的数据集进行模型训练与验证，其中80%用于训练，10%用于验证，10%用于测试，所有图像均带有放射科医生标注的边界框。
• 对基础网络、RPN和ROI层的超参数进行了调优，以提升检测与分类性能。

实验结果

研究问题

• RQ1 基于Faster R-CNN的CNN模型是否能在低资源的埃塞俄比亚医疗环境中实现高准确率的乳腺肿块检测与分类？
• RQ2 与基于VGG的Faster R-CNN基线相比，所提出模型在检测准确率、敏感性和AUC-ROC方面的表现如何？
• RQ3 不同医院间成像设备、光照条件和采集设置的差异在多大程度上影响模型的泛化能力和分类可靠性？
• RQ4 该模型在低交并比（IoU）阈值下对小乳腺肿块异常的定位效果如何？
• RQ5 批量归一化和Dropout层的集成是否能有效减少过拟合并提升在有限且异质数据集上的模型鲁棒性？

主要发现

• 所提出的模型在测试数据集上实现了91.86%的检测准确率，显著优于基于VGG的Faster R-CNN基线模型（84.88%）。
• 该模型表现出94.67%的敏感性（召回率），表明其在正确识别恶性肿块方面具有强大能力。
• 受试者工作特征曲线下面积（AUC-ROC）达到92.2%，表明其分类性能优于基于VGG的模型（84.3%）。
• 在IoU阈值为0.25时，模型实现了94.2%的交并比，表明其对小肿块异常具有高定位准确性。
• 在1588个测试样本中，仅14例被该模型误分类，而基于VGG的基线模型误分类26例，凸显了其更高的鲁棒性。
• 批量归一化和Dropout层的使用有效缓解了过拟合和内部协变量偏移，从而提升了在异质数据上的泛化能力。