[論文レビュー] AAU-net: An Adaptive Attention U-net for Breast Lesions Segmentation in Ultrasound Images

Gongping Chen, Yu Dai+2 more|arXiv (Cornell University)|Apr 26, 2022

AI in cancer detection被引用数 11

ひとこと要約

本稿では、チャネルおよび空間自己注意メカニズムを統合したハイブリッド自己適応的注意モジュールを備えた、新たなU-NetアーキテクチャAAU-netを提案する。このアーキテクチャにより、チャネルおよび空間次元にわたる頑健な特徴を自己適応的に学習することで、超音波画像における乳房病変のセグメンテーション性能が向上し、3つの公的データセットで最先端の性能を達成した。従来手法に比べ、優れた精度と一般化性能を示した。

ABSTRACT

Various deep learning methods have been proposed to segment breast lesion from ultrasound images. However, similar intensity distributions, variable tumor morphology and blurred boundaries present challenges for breast lesions segmentation, especially for malignant tumors with irregular shapes. Considering the complexity of ultrasound images, we develop an adaptive attention U-net (AAU-net) to segment breast lesions automatically and stably from ultrasound images. Specifically, we introduce a hybrid adaptive attention module, which mainly consists of a channel self-attention block and a spatial self-attention block, to replace the traditional convolution operation. Compared with the conventional convolution operation, the design of the hybrid adaptive attention module can help us capture more features under different receptive fields. Different from existing attention mechanisms, the hybrid adaptive attention module can guide the network to adaptively select more robust representation in channel and space dimensions to cope with more complex breast lesions segmentation. Extensive experiments with several state-of-the-art deep learning segmentation methods on three public breast ultrasound datasets show that our method has better performance on breast lesion segmentation. Furthermore, robustness analysis and external experiments demonstrate that our proposed AAU-net has better generalization performance on the segmentation of breast lesions. Moreover, the hybrid adaptive attention module can be flexibly applied to existing network frameworks.

研究の動機と目的

• 超音波画像からの乳房病変セグメンテーションにおける課題、すなわち類似した強度分布、変動する形態、ぼやけた境界を解決すること。
• 従来の畳み込みを自己適応的注意メカニズムに置き換えることで、複雑な超音波画像における特徴表現を向上させること。
• 良性および悪性腫瘍の両方のセグメンテーション精度を向上させる、柔軟で一般化可能なディーブラーニングフレームワークを開発すること。
• ネットワークが入力の特性に応じて、チャネルおよび空間次元における関連する特徴に動的に注目できるようにすること。

提案手法

• 提案されたAAU-netは、標準的な畳み込み層の代わりに、チャネルおよび空間自己注意ブロックを統合したハイブリッド自己適応的注意モジュールを採用する。
• チャネル自己注意ブロックは、特徴チャネルにわたる注目重みを計算し、情報量の多いチャネルを強調する。
• 空間自己注意ブロックは、特徴マップ内の関連領域を強調する空間的注目マップを計算する。
• 2つの注目モジュールは、入力に依存する動的な方法で特徴学習をガイドする形で適応的に統合される。
• セグメンテーション性能を最適化するために、バイナリクロスエントロピー損失とDice損失を用いてエンドツーエンドで訓練する。
• ハイブリッド注目モジュールは、プラグアンドプレイ設計となっており、既存のU-Netアーキテクチャへの統合が可能である。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド自己適応的注目メカニズムは、超音波画像における乳房病変セグメンテーションのための特徴表現を向上させることができるか？
• RQ2 提案されたAAU-netは、公的超音波画像セグメンテーションベンチマークにおいて、従来の最先端手法を上回る性能を示すか？
• RQ3 自己適応的注目メカニズムは、変動する腫瘍形態やぼやけた境界に対してどのように頑健性を向上させるか？
• RQ4 ハイブリッド注目モジュールは、多様な超音波画像特性にどの程度一般化可能か？

主な発見

• AAU-netは、3つの公的乳房超音波画像データセットで最先端の性能を達成し、従来のディーブラーニングセグメンテーション手法を上回った。
• モデルは、異なるデータセットおよび外部の検証セットにおいて一貫した性能向上を示し、優れた一般化性能を示した。
• 頑健性分析により、AAU-netが画像品質の変動や病変の外観の多様性に対して感受性が低いことが確認された。
• ハイブリッド自己適応的注目モジュールにより、入力コンテンツに応じて関連するチャネルおよび空間領域を動的に強調することで、特徴学習が向上した。