Domain generalization in deep learning-based mass detection in mammography: A large-scale multi-center study

要約

ディープラーニングに基づくコンピューター支援検出システムは、乳がんの検出に大きな可能性を示しています。
ただし、人工ニューラル ネットワークのドメインの一般化の欠如は、変化する臨床環境での展開に対する重要な障害です。
この作業では、デジタル マンモグラフィにおける質量検出のためのディープ ラーニング手法のドメインの一般化を調査し、大規模な多施設設定におけるドメイン シフトの原因を詳細に分析します。
この目的のために、Transformer ベースのモデルを含む 8 つの最先端の検出方法のパフォーマンスを比較し、単一のドメインでトレーニングし、目に見えない 5 つのドメインでテストしました。
さらに、単一ソースの質量検出トレーニング パイプラインは、新しいドメインからの画像を必要とせずにドメインの一般化を改善するように設計されています。
結果は、さまざまな取得プロトコルとスキャナー メーカーによって引き起こされるドメイン シフトを削減しながら、5 つのドメインのうち 4 つのドメインで、最先端の転移学習ベースのアプローチよりもワークフローが一般化されていることを示しています。
その後、広範な分析が実行され、患者の年齢、乳房密度、質量サイズ、および質量悪性度の違いなどにより、検出性能に大きな影響を与える共変量シフトが特定されます。
最終的に、この包括的な研究は、深層学習ベースの乳がん検出におけるドメインの一般化に関する将来の研究のための重要な洞察とベスト プラクティスを提供します。

要約(オリジナル)

Computer-aided detection systems based on deep learning have shown great potential in breast cancer detection. However, the lack of domain generalization of artificial neural networks is an important obstacle to their deployment in changing clinical environments. In this work, we explore the domain generalization of deep learning methods for mass detection in digital mammography and analyze in-depth the sources of domain shift in a large-scale multi-center setting. To this end, we compare the performance of eight state-of-the-art detection methods, including Transformer-based models, trained in a single domain and tested in five unseen domains. Moreover, a single-source mass detection training pipeline is designed to improve the domain generalization without requiring images from the new domain. The results show that our workflow generalizes better than state-of-the-art transfer learning-based approaches in four out of five domains while reducing the domain shift caused by the different acquisition protocols and scanner manufacturers. Subsequently, an extensive analysis is performed to identify the covariate shifts with bigger effects on the detection performance, such as due to differences in patient age, breast density, mass size, and mass malignancy. Ultimately, this comprehensive study provides key insights and best practices for future research on domain generalization in deep learning-based breast cancer detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google