医療系AIエンジニアの技術メモ

ディープラーニング（主に画像系）の技術メモブログです

Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms

論文メモ

スポンサーリンク

f:id:y_kurashina:20190812164510p:plain
Fig1. マンモグラフィー画像内の微小石灰化領域

f:id:y_kurashina:20190812164635p:plain
Fig2. ASN + FPR

論文URL

http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhang_Cascaded_Generative_and_Discriminative_Learning_for_Microcalcification_Detection_in_Breast_CVPR_2019_paper.pdf
2019年のCVPRで公開

ポイント

  • マンモグラフィー画像から微小石灰化領域(microcalsification)のセグメンテーションを行うモデルを提案
    • 微小石灰化領域は1mm程度(14画素)以下の小さい領域(Fig1)
    • 始めにAnomaly Separation Network (ASN)で異常領域を抽出する。
    • 微小石灰化領域だけでなく血管石灰化領域等の他の異常領域も検出されてしまうため、False Positive Reduction (FPR)で擬陽性領域を落としている。

ASN

  • U-Net構造のautoencoderで入力画像の再構成を行う
    • ただし、微小石灰化領域の再構成誤差が大きくなるよう以下の損失関数を使用
    • L = max(\beta - \overline{r _ p} , 0) + \overline{r _ n} + \lambda _ p S ^ 2 _ {r _ p} + \lambda _ n S ^ 2 _ {r _ n}
      • \beta , \lambda _ p, \lambda _ n : ハイパーパラメータ
      • r _ p : 微小石灰化領域の再構成誤差（L1ノルム）
      • r _ n : 正常領域の再構成誤差（L1ノルム）
      • \overline{r _ {p,n}} : r _ {p,n} の平均値
      • S ^ 2 _ {r _ {p,n}} : r _ {p,n} の分散
  • 再構成誤差が閾値(恐らく\beta)以上の画素を異常領域として抽出
  • この手法により、異常領域を普通にセグメンテーションするよりも性能向上することがAblation studyで示されている

FPR

  • ASNで抽出した領域をResNet50で分類
    • 56x56画素に切り出し、224x224にリサイズしてResNet50に入力

評価結果

f:id:y_kurashina:20190812172842p:plain

f:id:y_kurashina:20190812172912p:plain

  • Methodの R@X はX個の擬陽性を許容したときの感度(Recall)である

f:id:y_kurashina:20190812173151p:plain

  • 提案手法の結果はProposedの列
    • Proposed ASNの列はASNのみでの検出結果

スポンサーリンク