[论文解读] Improving localization-based approaches for breast cancer screening exam classification

Thibault Févry, Jason Phang+5 more|arXiv (Cornell University)|Aug 1, 2019

AI in cancer detection参考文献 7被引用 8

一句话总结

本文提出一种基于定位的深度学习方法，采用Faster R-CNN模型并结合ResNet-101与ResNeXt-101主干网络，以提升乳腺癌筛查检查的分类性能。该模型在包含229,426份检查的测试集上实现了0.919的AUC，相比先前工作将错误率降低了23%，同时为恶性与良性病灶生成了可解释的边界框。

ABSTRACT

We trained and evaluated a localization-based deep CNN for breast cancer screening exam classification on over 200,000 exams (over 1,000,000 images). Our model achieves an AUC of 0.919 in predicting malignancy in patients undergoing breast cancer screening, reducing the error rate of the baseline (Wu et al., 2019a) by 23%. In addition, the models generates bounding boxes for benign and malignant findings, providing interpretable predictions.

研究动机与目标

• 通过改进计算机辅助诊断系统，降低乳腺癌筛查中的高假阳性召回率。
• 开发一种深度学习模型，实现对筛查乳腺X线摄影图像的高精度与可解释性分类。
• 通过使用目标检测定位可疑病灶，提升恶性程度预测的准确性。
• 通过数据增强和训练策略调整，提升模型的鲁棒性与泛化能力。
• 通过为病灶生成边界框，使放射科医生能够信任并理解模型预测结果。

提出的方法

• 在229,426份筛查乳腺X线摄影检查上，使用ResNet-50、ResNet-101或ResNeXt-101主干网络训练Faster R-CNN模型。
• 利用经活检确认的病灶像素级标注，监督边界框回归与分类任务。
• 通过随机将边界框缩放因子控制在[0.8, 1.2]范围内，实施数据增强，以提升对噪声标注的鲁棒性。
• 将正样本提议的IoU阈值从0.7降低至0.5，以更好地应对乳腺X线图像中病灶边界不精确的问题。
• 在训练中同时使用标注与未标注图像，将后者视为负样本，以减少过拟合。
• 采用梯度裁剪优化，并因高分辨率输入需求，将批量大小减少至4（每张GPU 2个）

实验结果

研究问题

• RQ1 与先前方法相比，基于定位的深度学习模型是否能提升乳腺癌筛查中恶性程度预测的AUC？
• RQ2 在训练中使用未标注图像对模型泛化能力与性能有何影响？
• RQ3 主干网络架构与输入分辨率对模型性能与稳定性有何影响？
• RQ4 边界框预测是否能增强可解释性，并辅助放射科医生进行临床决策？
• RQ5 通过集成多个使用不同主干网络与分辨率的模型，能否整体提升诊断性能？

主要发现

• 集成模型在测试集上达到0.919的AUC，相比Wu等人（2019a）的基线模型，错误率相对降低了23%。
• 采用ResNeXt-101主干网络的模型在相同分辨率下取得最高个体AUC（0.908），优于ResNet-50与ResNet-101。
• 将本方法与先前模型（Wu等人，2019a）进行集成后，测试集AUC进一步提升至0.930，读者研究子集AUC达0.895。
• 模型生成了可解释的边界框，成功定位了恶性（如0.99预测置信度）与良性（如0.36）病灶，有助于临床解读。
• 将推理得分阈值从0.05降低至0.001，通过捕捉预测分布的尾部分布行为，进一步提升了AUC表现。
• 在活检人群内部，模型对阴性病例与需活检病例的区分能力优于对良性与恶性病例的区分能力。