ファインチューニングを超えて：機能保存変換を用いた高解像度マンモグラムの分類

マンモグラムの分類は、病変が高解像度画像において通常小さいため非常に困難な課題となっています。現在の医療画像分類における最先端の手法は、ConvNets（深層畳み込みニューラルネットワーク）で事実上標準的な方法であるファインチューニングに依存しています。しかし、自然画像と医療画像には根本的な違いがあり、既存の文献からの証拠によれば、アルゴリズミックアプローチを用いて設計した場合、全体的な性能向上が制限される可能性があります。本論文では、ファインチューニングを超える新たなフレームワーク「MorphHR」を提案します。このフレームワークでは、新しい転移学習スキームを強調しています。提案されたフレームワークの背後にあるアイデアは、任意の連続非線形活性化ニューロンに対して機能保存変換を統合し、ネットワークを内部的に正規化することでマンモグラムの分類性能を向上させることです。提案されたソリューションは既存技術に比べて2つの主要な利点を持っています。まず、ファインチューニングとは異なり、提案手法では深層ConvNetの最後の数層だけでなく最初の数層も修正することができます。これにより、ネットワークの前端部分をドメイン固有の特徴学習に適するように設計することが可能になります。次に、提案スキームはハードウェアに対してスケーラブルであるため、標準的なGPUメモリ上で高解像度画像を使用することが可能です。私たちは高解像度画像を使用することで関連情報を失うことを防ぐことができることを示しました。数値実験と視覚実験を通じて、提案手法が最先端技術よりも著しく分類性能が向上することを示し、放射線技師と同等の結果を得られることを確認しました。さらに一般化能力についても評価し、「ChestX-ray14」という別の大規模データセットでの有効性を示しました。この結果は現在の最先端技術を超えるものでした。以上のように、「MorphHR」フレームワークは医療画像分類における重要な進歩であり、特にマンモグラムや胸部X線画像などの高解像度画像に対する適用において優れた性能を発揮することが期待されます。