多視点超複素学習による乳がんスクリーニング

伝統的に、乳がん分類のための深層学習手法は単一ビュー解析を行ってきました。しかし、放射線技師はマンモグラフィ検査を構成する4つのビューを同時に解析します。これは、マンモグラフィビューに含まれる相関関係が腫瘍識別に重要な情報を提供するためです。この点に鑑みて、いくつかの研究ではマルチビュー手法の提案が始まりました。しかしながら、既存のアーキテクチャでは、マンモグラムビューが独立した画像として個別の畳み込みブランチで処理されるため、それらの間の相関関係が失われてしまいます。これらの制限を克服するために、本論文ではパラメータ化ハイパー複素数ニューラルネットワークに基づくマルチビューブレストキャンサーファイリング手法を提案します。ハイパー複素数代数の特性により、我々のネットワークはマンモグラムを構成する異なるビュー間にある既存の相関関係をモデル化し、その利点を利用することができます。これにより、臨床医が行う読み取りプロセスを模倣することが可能になります。これはハイパー複素数ネットワークが標準的なニューラルモデルと同様に全体的な特性だけでなく、局所的な関係性（すなわちビュー間の相関）も捉えることができるからです。実数値ネットワークではこのような相関関係をモデル化することは困難です。我々は2ビュー検査用にPHResNets（Parameterized Hypercomplex Residual Networks）、4ビュー検査用にはPHYSEnet（Parameterized Hypercomplex Synthesis Network）およびPHYBOnet（Parameterized Hypercomplex Bayesian Network）というアーキテクチャを定義しました。公開データセットを使用して行われた広範な実験評価を通じて、我々が提案したモデルが実数値モデルや最先端手法よりも明確に優れていることを示しています。これにより、乳がん分類において提案されたマルチビューアーキテクチャが有益であることが証明されました。また、我々はマンモグラフィ解析以外での方法の一貫性も評価しており、異なるベンチマークやセグメンテーションのようなより細かいタスクについても検討しています。本研究における実験の完全再現性のために使用されたコードと事前学習済みモデルは、https://github.com/ispamm/PHBreast で自由に利用可能です。