領域ベースのプーリング構造を有する深層ニューラルネットワークによるマンモグラフィ画像分類

乳がんは最も頻繁に診断される固形がんの一つである。乳がんのスクリーニングに最も広く用いられている技術はマンモグラフィである。従来のマンモグラフィ画像分類やセグメンテーションに用いられる機械学習手法は、手動で特徴量を抽出する方法が主流であり、モデルの学習および評価には大量の手動セグメンテーションラベルデータが必要となる。しかし、手動ラベリングは費用が高く、時間と労力がかかるため、システム構築コストを著しく増加させる。このコストと放射線科医の負担を軽減するため、本研究では、深層ニューラルネットワークを用いたエンドツーエンドのフル画像分類手法を提案した。この手法は、訓練データに対してバウンディングボックスやマスクの真値ラベルを必要とせず、分類器の構築が可能である。本手法で必要な唯一のラベルは、マンモグラフィ画像の分類ラベルであり、診断報告書から比較的容易に収集できる。乳がんの病変は通常、マンモグラフィ画像全体のわずかな領域を占めるため、従来のプーリング手法とは異なり、畳み込みニューラルネットワーク（CNN）に異なるプーリング構造を提案した。この構造は、画像を複数の領域に分割し、悪性の可能性が高い領域を選び、それらを全体の画像表現として用いる。提案するプーリング構造は、多くのCNNベースのモデルに適用可能であり、同じ入力条件下でモデルの性能を大幅に向上させることができる。公開データセットであるINbreastおよびCBISを用いた実験結果から、従来の最先端のマンモグラフィ画像分類器およびセグメンテーションラベルを用いた検出アルゴリズムと比較して、本手法がマンモグラフィ画像データに対して良好な性能を示すことが確認された。