[論文レビュー] Adversarial Deep Structured Nets for Mass Segmentation from Mammograms

Wentao Zhu, Xiang Xiang+3 more|arXiv (Cornell University)|Oct 24, 2017

AI in cancer detection参考文献 9被引用数 10

ひとこと要約

本稿では、完全畳み込みネットワーク（FCN）と条件付きランダムフィールド（CRF）を統合したエンドツーエンドの敵対的深層構造化ネットワークを提案する。小規模なデータセットにおける過学習を是正するため、空間的事前知識、マルチスケールFCN、敵対的訓練を統合することで、DDS-M-BCRPデータセットで91.30%のDiceスコア、INbreastで90.97%のDiceスコアを達成し、最先端の性能を実現した。

ABSTRACT

Mass segmentation provides effective morphological features which are important for mass diagnosis. In this work, we propose a novel end-to-end network for mammographic mass segmentation which employs a fully convolutional network (FCN) to model a potential function, followed by a CRF to perform structured learning. Because the mass distribution varies greatly with pixel position, the FCN is combined with a position priori. Further, we employ adversarial training to eliminate over-fitting due to the small sizes of mammogram datasets. Multi-scale FCN is employed to improve the segmentation performance. Experimental results on two public datasets, INbreast and DDSM-BCRP, demonstrate that our end-to-end network achieves better performance than state-of-the-art approaches. \footnote{https://github.com/wentaozhu/adversarial-deep-structural-networks.git}

研究の動機と目的

• 限られたトレーニングデータによる乳がんマス画像セグメンテーションにおける過学習の課題に対処すること。
• マス画像におけるマス領域の位置分布を反映する空間的事前知識を統合することで、セグメンテーションの精度を向上させること。
• FCNとCRFを統合したエンドツーエンドで学習可能なフレームワークを構築し、複数段階のトレーニングを回避すること。
• 構造的CRF推論を用いて、マス画像セグメンテーションにおける境界検出と構造的一致性を向上させること。
• 既存の最先端手法と比較して、公開データセット上で優れた性能を示すこと。

提案手法

• マス画像から階層的特徴を学習するために、マルチスケール畳み込みを備えた完全畳み込みネットワーク（FCN）を採用する。
• マス領域の空間的分布をモデル化するため、FCNに位置事前知識を統合し、局所化精度を向上させる。
• 生成的敵対的ネットワーク（GAN）フレームワークを最適化することで敵対的訓練を実施し、ピクセル単位のラベル損失を最小化し、過学習を低減する。
• 空間的一致性を強制するために、Pottsモデル適合性を持つ完全結合ペアワイズCRFを用いる。
• 効率的なCRF推論のため、平均場近似を実装し、それを微分可能な最適化として再帰的ニューラルネットワークとして扱う。
• バックプロパゲーションを用いて、FCN、CRF、敵対的コンponentsを統合的に最適化するエンドツーエンドのトレーニングを実施する。

Fig. 1 : The proposed adversarial deep FCN-CRF network with four convolutional layers followed by CRF for structured learning.

実験結果

リサーチクエスチョン

• RQ1 敵対的正則化を施したエンドツーエンドのFCN-CRFネットワークトレーニングは、小規模な乳がん画像データセットにおけるマス画像セグメンテーション性能を向上させることができるか？
• RQ2 空間的事前知識の統合は、乳がん画像におけるマス画像セグメンテーションの局所化精度と正確性をどのように向上させるか？
• RQ3 敵対的訓練は、医療画像セグメンテーションにおける低データ環境下で、過学習をどれほど低減し、一般化性能を向上させるか？
• RQ4 マルチスケール特徴学習は、特に病変境界付近で、セグメンテーション品質を顕著に改善するか？
• RQ5 提案された敵対的FCN-CRFフレームワークは、公開の乳がん画像セグメンテーションベンチマークにおいて、定量的に既存の最先端手法を上回るか？

主な発見

• 提案された敵対的FCN-CRFモデルは、DDS-M-BCRPデータセットで91.30%のDiceスコアを達成し、前回の最先端手法を0.3%上回った。
• INbreastデータセットでは、90.97%のDiceスコアを達成し、ベースラインFCNと比較して0.97%の向上を示した。
• 敵対的訓練単体でも、データセット全体で平均して0.4%のDiceスコア向上を示し、過学習に対する効果的な正則化であることが示された。
• マルチスケールFCNの統合が、性能向上に最も寄与しており、単一スケールベースラインと比較して0.3%の向上を示した。
• トリマップベースの境界精度分析から、敵対的訓練により、マス境界付近のセグメンテーション精度が2–3%向上した。
• McNemarのカイ二乗検定により、[6]と比較して本モデルの優位性が統計的に有意（p値 < 0.001）であると確認された。

Fig. 3 : Visualization of segmentation results using the FCN (first row), Adversarial FCN (second row), Joint FCN-CRF (third row), Adversarial FCN-CRF (fourth row) on the test sets of INbreast dataset. Each column denotes a test sample. Red lines denote the ground truth. Green lines or points denote