ディープニューラルネットワークと欠測データの代入法を組み合わせた乳がん検査の新たな方法の提案

情報データ科学部のムトゥ　スバシュ　カビタ助教と高橋　将宜准教授は、インド?ガンジーグラム農村大学のKanimozhi研究員とShanmugavadivu教授との国際共同研究で、乳がんを自動で診断できる新たな手法を提案しました。本研究で得られた成果はインパクトファクター付の学術誌「International Journal of Imaging Systems and Technology (John Wiley & Sons, Inc.)」に掲載されました。

■研究の背景
毎年、世界中で乳がんによって多くの女性の命が失われています。日本では毎年、約9万人以上の乳がん罹患者がおり、乳がんによって約１万５千人の命が失われています。一方，乳がんは早期に発見できれば「治るがん」ともいわれているため、がん検診は重要です。ところが、一般的にマンモグラフィーで使われている自動検査では欠測データ（観測されないデータ）を考慮できないため、診断結果の信頼性が損なわれるおそれがあります。

■研究成果の意義
本研究で提案された手法を使用することにより、欠測データを考慮することができるようになり、乳がんの自動検査が改善されると期待されます。その結果、乳がんの早期発見につながり、乳がんで失われる命を守ることに貢献できると期待されます。

■ポイント
●多層完全連結ディープネットワーク（MFCN: multilayer fully connected deep network）と欠測データの処理方法である代入法（imputation）を組み合わせることで、MdI-MFCN（missing data imputation with MFCN）という新たな手法を提案した。
●今回提案したMdI-MFCNは、既存の機械学習手法よりも優れた性能を発揮することが分かった。
●提案した手法による乳がん検査のための多層完全連結ディープネットワークモデルのワークフローは図１のとおりである。（注：MMデータセットとは、提案した手法を検証するために使用したデータセットの名称で、カリフォルニア大学アーバイン校の機械学習リポジトリから入手したMammographic Mass Data Setである。INbreastデータセットとは，提案した手法の信頼性を検証するために使用したデータセットの名称で、Moreira et al. (2012)で提供されているマンモグラフィーのデジタルイメージデータセットである。）
●提案した多層完全連結ディープネットワークの模式図は図２のとおりである。この図では、乳がんの特徴を分類するために入力層、隠れ層、出力層が含まれている。入力単位はネットワークに入力する生データである。隠れ層の関数は入力層と出力層の間で、入力データの活動を決定する。

 

 

図１：乳がん検査のための多層完全連結ディープネットワークモデルのワークフロー

図２：多層完全連結ディープネットワークの構造

 

■論文情報
論文タイトル：Data imputation in deep neural network to enhance breast cancer detection
掲載誌：International Journal of Imaging Systems and Technology (John Wiley & Sons, Inc.)
論文閲覧用URL: https://onlinelibrary.wiley.com/share/author/VWMRUUNDUKFVJRQAXIBR?target=10.1002/ima.22743
DOI（書誌情報）：https://doi.org/10.1002/ima.22743

■著者：
Kanimozhi Ganesan：ガンジーグラム農村大学（Gandhigram Rural Institute）研究員
Shanmugavadivu Pichai：ガンジーグラム農村大学（Gandhigram Rural Institute）教授
Muthu Subash Kavitha（ムトゥ スバシュ カビタ）：長崎大学情報データ科学部 助教
https://www.idsci.nagasaki-u.ac.jp/research_ac/facultylist/staff30/
Masayoshi Takahashi（高橋将宜）：長崎大学情報データ科学部 准教授
https://www.idsci.nagasaki-u.ac.jp/research_ac/facultylist/staff19/

 

一覧ページへ