[论文解读] Improving Breast Cancer Detection using Symmetry Information with Deep Learning

Yeman Brhane Hagos, Albert Gubern Mérida+1 more|arXiv (Cornell University)|Aug 17, 2018

AI in cancer detection参考文献 11被引用 7

一句话总结

本文提出了一种多输入卷积神经网络（CNN），利用双侧乳房对称性以提升乳腺X线摄影中的肿块检测效果。通过在成对的左右乳房图像块上进行训练，模型学习对称差异，从而减少假阳性结果；在检查层面，其 CPM 达到 0.733（p=0.001），尽管在候选者层面的 AUC 未见显著提升，但相比基线模型仍表现出显著改进。

ABSTRACT

Convolutional Neural Networks (CNN) have had a huge success in many areas of computer vision and medical image analysis. However, there is still an immense potential for performance improvement in mammogram breast cancer detection Computer-Aided Detection (CAD) systems by integrating all the information that the radiologist utilizes, such as symmetry and temporal data. In this work, we proposed a patch based multi-input CNN that learns symmetrical difference to detect breast masses. The network was trained on a large-scale dataset of 28294 mammogram images. The performance was compared to a baseline architecture without symmetry context using Area Under the ROC Curve (AUC) and Competition Performance Metric (CPM). At candidate level, AUC value of 0.933 with 95% confidence interval of [0.920, 0.954] was obtained when symmetry information is incorporated in comparison with baseline architecture which yielded AUC value of 0.929 with [0.919, 0.947] confidence interval. By incorporating symmetrical information, although there was no a significant candidate level performance again (p = 0.111), we have found a compelling result at exam level with CPM value of 0.733 (p = 0.001). We believe that including temporal data, and adding benign class to the dataset could improve the detection performance.

研究动机与目标

• 通过将放射科医生提供的对称性信息整合到深度学习模型中，提升乳腺X线摄影中计算机辅助检测（CAD）的性能。
• 通过学习左右乳房图像块之间的对称差异，减少假阳性检测结果。
• 评估对称感知特征是否在候选者和检查两个层面均能提升检测性能。
• 研究数据增强以及缺失对侧图像处理方式对模型鲁棒性的影响。
• 探索未来通过引入时间序列数据和良性类别分离以进一步提升检测准确性的可能性。

提出的方法

• 设计了一种基于图像块、双输入的CNN，用于比较左右乳房X线摄影中对应区域的特征，使用镜像图像块作为输入。
• 通过对侧乳房上的主图像块与其精确镜像配对，建模对称性，使网络能够学习到提示肿块的不对称特征。
• 通过随机翻转图像块，并在对侧图像缺失时使用零矩阵作为替代，实施数据增强。
• 模型在包含 28,294 张乳腺X线图像、来自 7,196 例检查的大规模数据集上进行训练，训练、验证和测试集按患者级别划分。
• 性能评估采用候选者层面的 AUC 和图像及检查层面的竞赛性能指标（CPM）。
• 将不包含对称性上下文的基线模型与本模型进行比较，以评估检测准确率提升和假阳性减少的增量效果。

实验结果

研究问题

• RQ1 将双侧乳房对称性整合到深度学习模型中，是否能提升乳腺X线摄影中的肿块检测性能？
• RQ2 与基线CNN相比，包含对称性上下文是否能显著减少假阳性检测结果？
• RQ3 数据增强以及缺失对侧图像的处理方式如何影响模型的泛化能力和性能表现？
• RQ4 基于对称性的学习是否能提升检查层面的检测性能，而该层面正是临床决策的依据？
• RQ5 未来整合时间序列数据和区分良性与正常病例是否能进一步提升检测准确性？

主要发现

• 对称感知模型在候选者层面的 AUC 为 0.933（95% 置信区间：[0.919, 0.947]），略高于基线模型的 AUC 0.929，但差异无统计学意义（p=0.111）。
• 在检查层面，对称模型的 CPM 达到 0.733（95% 置信区间：[0.721, 0.823]），显著优于基线模型（CPM：0.682，p=0.001）。
• 采用数据增强的模型 AUC 为 0.933，而未使用增强的模型 AUC 为 0.910，表明数据增强提升了模型泛化能力。
• 当对侧图像块缺失时，对称模型的 AUC 为 0.866（95% 置信区间：[0.788, 0.930]），表明模型对不完整数据具有鲁棒性。
• 视觉分析显示，对称性整合可纠正误分类：基线概率较低（<0.2）的恶性肿块被正确分类为 >0.7 的恶性概率，且假阳性阴性图像块的恶性概率被重新分类为 <0.1。
• 研究结果表明，未来若能引入时间序列数据并区分良性与正常病例，可能进一步提升检测性能。