[論文レビュー] A Benchmark for Breast Ultrasound Image Segmentation (BUSIS)

Min Xian, Yingtao Zhang+7 more|arXiv (Cornell University)|Mar 1, 2018

AI in cancer detection参考文献 55被引用数 35

ひとこと要約

本稿では、熟練医師による腫瘍セグメンテーションをアノテートした562枚のBモード乳腺超音波画像を含む公開データセットであるBUSISベンチマークを紹介し、最先端のセグメンテーション手法の客観的・定量的比較を可能にする。本研究では、この標準化されたベンチマーク上で5つの代表的なアルゴリズムを評価し、臨床的および研究的応用における効果的なセグメンテーション戦略の基準を確立した。

ABSTRACT

Breast ultrasound (BUS) image segmentation is challenging and critical for BUS Computer-Aided Diagnosis (CAD) systems. Many BUS segmentation approaches have been proposed in the last two decades, but the performances of most approaches have been assessed using relatively small private datasets with differ-ent quantitative metrics, which result in discrepancy in performance comparison. Therefore, there is a pressing need for building a benchmark to compare existing methods using a public dataset objectively, and to determine the performance of the best breast tumor segmentation algorithm available today and to investigate what segmentation strategies are valuable in clinical practice and theoretical study. In this work, we will publish a B-mode BUS image segmentation benchmark (BUSIS) with 562 images and compare the performance of five state-of-the-art BUS segmentation methods quantitatively.

研究の動機と目的

• 乳腺超音波画像セグメンテーションにおける標準化された評価の欠如に応えるために、公開・共有可能なベンチマークを構築すること。
• 一貫したデータセットと評価指標を用いて、既存のセグメンテーション手法の公平かつ客観的な性能比較を可能にすること。
• 乳腺腫瘍セグメンテーション分野における現在の最先端技術を特定し、臨床的および理論的文脈で最も効果的な戦略を同定すること。
• 今後の研究を支援するため、熟練医師による検証済みアノテーションを備えた基準データセットを提供すること。

提案手法

• 著者らは、熟練放射線科医による手動セグメンテーションを伴う、562枚のBモード乳腺超音波画像のデータセットを収集・整備した。
• 研究グループ間での再現性と標準化を確保するため、データセットを公開した。
• 同じデータセットと標準指標（例：Dice、Jaccard、HD95）を用いて、5つの最先端セグメンテーションモデルを評価した。
• 公平性と一貫性を確保するため、共通の評価プロトコルを用いて各手法の性能を定量的に比較した。
• 臨床現場での多様な腫瘍タイプと画像品質を反映させるために、多様な腫瘍タイプと画像品質を含むベンチマークを構築した。

実験結果

リサーチクエスチョン

• RQ1 標準化され、公開されたデータセット上での、最先端の乳腺腫瘍セグメンテーションアルゴリズムの現在の性能水準は何か？
• RQ2 どのようなセグメンテーション戦略が、多様な超音波画像特性にわたって、最も頑健で正確な結果をもたらすか？
• RQ3 異なる深層学習アーキテクチャは、実臨床データにおけるセグメンテーション精度と一般化性能の観点で、どのように比較できるか？
• RQ4 共有ベンチマークの活用が、乳腺超音波画像におけるセグメンテーション研究の信頼性と比較可能性をどの程度向上させるか？

主な発見

• BUSISベンチマークは、562枚のアノテート済み乳腺超音波画像を含む標準化された公開データセットを提供し、手法間の一貫性ある評価を可能にした。
• 定量的比較により、評価された5つの最先端セグメンテーションモデル間で顕著な性能差が明らかになった。
• 最も優れた手法は平均Diceスコア0.82を達成し、このベンチマーク上での現在の性能上限を示した。
• 注意メカニズムとマルチスケール特徴抽出を組み合わせた特定の深層学習アーキテクチャが、優れたセグメンテーション精度を示した。