Deep meta-learning for the selection of accurate ultrasound based breast mass classifier

要約

超音波診断（US）における乳房腫瘤の鑑別では、手作業で作成した形態的・質的特徴に基づく標準的な分類手法が良好な性能を達成している。一般的に「ブラックボックス」モデルとして認識されているディープニューラルネットワークと比較すると、古典的な手法は、医学的・物理的解釈がよく理解されている特徴に基づいています。しかし、形態学的特徴に基づく分類器は、シャドーイングアーチファクトや不明瞭な腫瘤境界の存在下で一般的に低性能であり、テクスチャに基づく分類器は、US画像があまりにもノイズが多い場合に失敗することがあります。したがって、実際には、特定のUS画像の外観に基づいて分類方法を選択することが有益である。本研究では、入力された乳房腫瘤US画像を自動的に処理し、乳房腫瘤の鑑別のために形状またはテクスチャに基づく分類器を適用するかどうかを推奨できるディープメタネットワークを開発する。我々の予備的な結果は、メタ学習技術を用いることで、手作りの特徴に基づく標準的な分類器の性能を向上させることができることを実証している。提案したメタ学習に基づくアプローチにより、受信者動作特性曲線下面積0.95、精度0.91を達成することができた。

要約(オリジナル)

Standard classification methods based on handcrafted morphological and texture features have achieved good performance in breast mass differentiation in ultrasound (US). In comparison to deep neural networks, commonly perceived as ‘black-box’ models, classical techniques are based on features that have well-understood medical and physical interpretation. However, classifiers based on morphological features commonly underperform in the presence of the shadowing artifact and ill-defined mass borders, while texture based classifiers may fail when the US image is too noisy. Therefore, in practice it would be beneficial to select the classification method based on the appearance of the particular US image. In this work, we develop a deep meta-network that can automatically process input breast mass US images and recommend whether to apply the shape or texture based classifier for the breast mass differentiation. Our preliminary results demonstrate that meta-learning techniques can be used to improve the performance of the standard classifiers based on handcrafted features. With the proposed meta-learning based approach, we achieved the area under the receiver operating characteristic curve of 0.95 and accuracy of 0.91.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL