GroupMixer: Patch-based Group Convolutional Neural Network for Breast Cancer Detection from Histopathological Images

要約

乳がんの悪性腫瘍を初期段階で診断することは、副作用を制御するための重要なステップです。
組織病理学的分析は、悪性乳がんを検出するユニークな機会を提供します。
しかし、そのような作業は組織病理学者にとって退屈で時間のかかる作業となるでしょう。
ディープ ニューラル ネットワークを使用すると、手動で特徴を抽出することなく、生の組織病理学的画像から有益な特徴を直接学習できます。
畳み込みニューラル ネットワーク (CNN) はコンピューター ビジョンの分野で主流のアーキテクチャでしたが、Transformer ベースのアーキテクチャはさまざまなコンピューター ビジョン タスクで有望な結果を示しています。
医用画像分析に Transformer ベースのアーキテクチャの機能を活用することは興味深いように思えますが、これらのアーキテクチャは大規模で、トレーニング可能なパラメータが多数あり、トレーニングに大規模なデータセットが必要ですが、これは医療分野では通常はまれです。
コンピュータ ビジョン ドメインにおける Transformer ベースのアーキテクチャの優れたパフォーマンスの少なくとも一部は、パッチ埋め込み操作に由来すると主張され、経験的に証明されています。
この論文では、畳み込みニューラル ネットワーク アーキテクチャとパッチ埋め込み操作を完全に統合するという以前に紹介したアイデアを借用し、組織病理学的画像から乳がんの悪性腫瘍を検出するための効率的な CNN アーキテクチャを提示しました。
他の方法よりもパラメータの数が大幅に少ないにもかかわらず、精度パフォーマンス指標は、倍率 40 倍、100 倍、200 倍、400 倍でそれぞれ 97.65%、98.92%、99.21%、98.01% を達成しました。
私たちは一歩前進して、グループ コンボリューションとチャネル シャッフリングのアイデアを使用してアーキテクチャを変更し、パフォーマンスの低下を無視してトレーニング可能なパラメーターの数をさらに削減し、前述の倍率で 95.42%、98.16%、96.05%、および 97.92% の精度を達成しました。
それぞれ。

要約(オリジナル)

Diagnosis of breast cancer malignancy at the early stages is a crucial step for controlling its side effects. Histopathological analysis provides a unique opportunity for malignant breast cancer detection. However, such a task would be tedious and time-consuming for the histopathologists. Deep Neural Networks enable us to learn informative features directly from raw histopathological images without manual feature extraction. Although Convolutional Neural Networks (CNNs) have been the dominant architectures in the computer vision realm, Transformer-based architectures have shown promising results in different computer vision tasks. Although harnessing the capability of Transformer-based architectures for medical image analysis seems interesting, these architectures are large, have a significant number of trainable parameters, and require large datasets to be trained on, which are usually rare in the medical domain. It has been claimed and empirically proved that at least part of the superior performance of Transformer-based architectures in Computer Vision domain originates from patch embedding operation. In this paper, we borrowed the previously introduced idea of integrating a fully Convolutional Neural Network architecture with Patch Embedding operation and presented an efficient CNN architecture for breast cancer malignancy detection from histopathological images. Despite the number of parameters that is significantly smaller than other methods, the accuracy performance metrics achieved 97.65%, 98.92%, 99.21%, and 98.01% for 40x, 100x, 200x, and 400x magnifications respectively. We took a step forward and modified the architecture using Group Convolution and Channel Shuffling ideas and reduced the number of trainable parameters even more with a negligible decline in performance and achieved 95.42%, 98.16%, 96.05%, and 97.92% accuracy for the mentioned magnifications respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google