マンモグラフィのディープ特徴量に基づく自動分類

Deep feature-based automatic classification of mammograms.

• Ridhi Arora
• Prateek Kumar Rai
• Balasubramanian Raman

抄録

乳がんは世界の女性の死亡率が2番目に高い。その理由は不明であるため、早期予防は複雑なものとなっています。しかし、マンモグラフィ検査の際に、腫瘤や微小石灰化などの典型的な特徴があれば、女性の診断に役立つことがあります。手作業による診断は、放射線技師が頻繁に行う難しい作業です。そのために、多くのコンピュータ支援診断（CADx）が開発されてきました。このような現状を改善するために、我々は深層アンサンブル伝達学習とニューラルネットワーク分類器を用いた自動特徴抽出・分類法を提案した。コンピュータ支援マンモグラフィにおいて、深層学習ベースのアーキテクチャは、一般的にマンモグラム画像上で直接学習されることはない。その代わりに、画像は予め前処理され、提案されたアンサンブルモデルの入力として与えられるように採用される。アンサンブルモデルから抽出されたロバストな特徴は、ニューラルネットワーク（nntraintool）を用いてさらに分類された特徴ベクトルに最適化される。このネットワークは良性腫瘍と悪性腫瘍を分離するために訓練され、テストされた結果、0.88の精度と0.88の曲線下面積(AUC)を達成しました。これらの結果から、提案手法は乳がん分類のための有望で頑健なCADxシステムであることが示された。グラフィカルアブストラクト 提案手法のフロー図。図は、ニューラルネットワークを用いた最終的な分類でロバストな特徴量を抽出したディープアンサンブルを示しています。

Breast cancer has the second highest frequency of death rate among women worldwide. Early-stage prevention becomes complex due to reasons unknown. However, some typical signatures like masses and micro-calcifications upon investigating mammograms can help diagnose women better. Manual diagnosis is a hard task the radiologists carry out frequently. For their assistance, many computer-aided diagnosis (CADx) approaches have been developed. To improve upon the state of the art, we proposed a deep ensemble transfer learning and neural network classifier for automatic feature extraction and classification. In computer-assisted mammography, deep learning-based architectures are generally not trained on mammogram images directly. Instead, the images are pre-processed beforehand, and then they are adopted to be given as input to the ensemble model proposed. The robust features extracted from the ensemble model are optimized into a feature vector which are further classified using the neural network (nntraintool). The network was trained and tested to separate out benign and malignant tumors, thus achieving an accuracy of 0.88 with an area under curve (AUC) of 0.88. The attained results show that the proposed methodology is a promising and robust CADx system for breast cancer classification. Graphical Abstract Flow diagram of the proposed approach. Figure depicts the deep ensemble extracting the robust features with the final classification using neural networks.