乳癌スクリーニング画像における段階的ディープラーニングとランダムフォレストを用いた自動化されたマス検出

マンモグラフィからの腫瘤検出は、腫瘤のセグメンテーションおよび分類の前処理段階において極めて重要な役割を果たす。マンモグラフィ画像からの腫瘤検出は、形状、サイズ、境界、テクスチャの多様性に加え、周囲の乳腺組織と比べて信号対雑音比が低いため、困難な問題とされている。本稿では、深層学習とランダムフォレスト分類器のカスケード構造を用いた、マンモグラフィにおける腫瘤検出の新しいアプローチを提案する。第一段階の分類器は、マルチスケールの深層信念ネットワーク（Deep Belief Network, DBN）から構成され、疑わしい領域を抽出し、その後、二段階の深層畳み込みニューラルネットワーク（Deep Convolutional Neural Network, DCNN）のカスケードによってさらに処理される。これらの深層学習解析を通過した領域は、その後、形態学的特徴およびテクスチャ特徴を、カスケードの各段階で選択された領域から抽出し、二段階のランダムフォレスト分類器のカスケードによって処理される。最終的に、ランダムフォレスト分類器のカスケードを通過した領域は、連結成分解析（Connected Component Analysis）を用いて統合され、最先端の性能を達成する。また、本手法が偽陽性領域の削減に有効であることを示し、同時に高い真陽性検出率を維持できることも確認した。本研究で提案する深層学習とランダムフォレストのカスケード構造は、公開データセットDDSM-BCRPおよびINbreastを用いて評価された。提案手法により得られた最終的な腫瘤検出結果は、公開データセットにおいて最高の性能を示した。INbreastでは、1枚あたり1.2個の偽陽性に対して真陽性率0.96 ± 0.03を達成し、DDSM-BCRPでは1枚あたり4.8個の偽陽性に対して真陽性率0.75を達成した。