Multistage Transfer Learning for Breast Cancer Early Diagnosis via Ultrasound

유방암 조기 진단을 위한 초음파 영상의 다단계 전이 학습

Research related to early diagnosis of breast cancer using artificial intelligence algorithms has been actively conducted in recent years. Although various algorithms that classify breast cancer based on a few publicly available ultrasound breast cancer images have been published, these methods show various limitations such as, processing speed and accuracy suitable for the user's purpose. To solve this problem, in this paper, we propose a multi-stage transfer learning where ResNet model trained on ImageNet is transfer learned to microscopic cancer cell line images, which was again transfer learned to classify ultrasound breast cancer images as benign and malignant. The images for the experiment consisted of 250 breast cancer ultrasound images including benign and malignant images and 27,200 cancer cell line images. The proposed multi-stage transfer learning algorithm showed more than 96% accuracy when classifying ultrasound breast cancer images, and is expected to show higher utilization and accuracy through the addition of more cancer cell lines and real-time image processing in the future.

인공지능 알고리즘을 이용한 유방암의 조기진단에 관련된 연구는 최근들어 활발하게 진행되고 있다. 이는 연구용으로 공개된 초음파 유방 이미지를 활용하여 다양하게 개발되고 있으나, 사용자의 목적에 맞는 처리 속도 및 정확도 등에 다양한 한계점을 보인다. 이러한 문제를 해결하기 위해, 본 논문에서는 ImageNet에서 학습된 ResNet 모델을 현미경 기반 암세포 이미지에서 활용이 가능한 다단계 전이 학습을 제안하고, 이를 다시 전이 학습하여 초음파 유방암 영상을 양성 및 악성으로 분류하는 실험을 진행하였다. 실험을 위한 영상은 양성과 악성이 포함된 250장의 유방암 초음파 영상과 27,200장의 암 세포주 영상으로 구성되었다. 제안된 다단계 전이 학습 알고리즘은 초음파 유방암 영상을 분류하였을 때 96% 이상의 정확도를 보였으며, 향후 암 세포주 및 실시간 영상처리 등의 추가를 통해 보다 높은 활용도와 정확도를 보일 것으로 기대한다.