[論文レビュー] An Efficient Solution for Breast Tumor Segmentation and Classification in Ultrasound Images Using Deep Adversarial Learning

Vivek Kumar Singh, Hatem A. Rashwan+6 more|arXiv (Cornell University)|Jul 1, 2019

AI in cancer detection参考文献 18被引用数 27

ひとこと要約

本稿では、アトリウス畳み込みとチャネル別重み付けを組み合わせた深層敵対的学習フレームワークを提案し、超音波画像における正確な乳腺腫瘍のセグメンテーションと分類を実現する条件付きGANを構築する。モデルは、Diceスコア93.76%およびIoU 88.82%という最先端の性能を達成し、セグメンテーションマスクから抽出した形状特徴を用いて腫瘍を良性または悪性に分類する際、85%の精度を達成する。

ABSTRACT

This paper proposes an efficient solution for tumor segmentation and classification in breast ultrasound (BUS) images. We propose to add an atrous convolution layer to the conditional generative adversarial network (cGAN) segmentation model to learn tumor features at different resolutions of BUS images. To automatically re-balance the relative impact of each of the highest level encoded features, we also propose to add a channel-wise weighting block in the network. In addition, the SSIM and L1-norm loss with the typical adversarial loss are used as a loss function to train the model. Our model outperforms the state-of-the-art segmentation models in terms of the Dice and IoU metrics, achieving top scores of 93.76% and 88.82%, respectively. In the classification stage, we show that few statistics features extracted from the shape of the boundaries of the predicted masks can properly discriminate between benign and malignant tumors with an accuracy of 85%$

研究の動機と目的

• コントラストが低く、スペッカー雑音が混入した変動する腫瘍形態を示す乳腺超音波画像の課題に対処すること。
• マルチスケール特徴抽出の向上とハイレベル特徴表現のバランスを高めることで、腫瘍セグメンテーションの精度を向上させること。
• 深層敵対的学習を用いて、腫瘍の同時セグメンテーションと分類をエンドツーエンドで行うソリューションを開発すること。
• セグメンテーションマスクから抽出した形状統計が、良性または悪性の腫瘍分類に有効であることを示すこと。

提案手法

• エンコーダー層En3とEn4の間にアトリウス畳み込みブロックを統合し、パラメータ数を増加させずに受容 field を拡大し、マルチスケール腫瘍特徴を捉える。
• 最も深いエンコーダー層（En7）の直後にチャネル別重み付け（CAW）ブロックを組み込み、チャネル特徴の重要度を動的に再平衡させ、表現学習を向上させる。
• エンコーダーとデコーダー層の間のスキップ接続を備えた条件付きGAN（cGAN）アーキテクチャを採用し、空間的詳細を保持するとともにマスク生成を改善する。
• 敵対的損失、L1ノルム損失、およびSSIMを組み合わせたハイブリッド損失関数を採用し、学習の安定化と生成マスクの構造的類似性の向上を図る。
• デコーダー層ではバッチ正規化、LeakyReLU（勾配0.2）およびReLU活性化関数に加え、ドロップアウトを適用し、学習の安定性と一般化性能を向上させる。
• 予測されたバイナリマスクから4つの統計的形状特徴（例：周囲長、面積、離心率）を抽出し、その後続の腫瘍分類に用いる。

実験結果

リサーチクエスチョン

• RQ1 アトリウス畳み込みは、超音波画像からの乳腺腫瘍セグメンテーションにおけるマルチスケール特徴抽出を改善できるか？
• RQ2 提案されたチャネル別重み付けブロックは、セグメンテーションネットワークにおけるハイレベル特徴の判別力を向上させるか？
• RQ3 敵対的損失、L1損失、およびSSIM損失の組み合わせにより、より正確で構造的に一貫性のあるセグメンテーションマスクが得られるか？
• RQ4 セグメンテーションマスクから抽出した形状特徴に基づく分類は、良性または悪性の腫瘍を信頼性高く分類できるか？
• RQ5 提案モデルは、BUSデータセットにおいて最先端のセグメンテーションおよび分類手法と比較してどのように優れているか？

主な発見

• 提案モデルは、Diceスコア93.76%およびIoU 88.82%を達成し、UNet、DCGAN、cGANを含むすべての比較モデルを上回る性能を示した。
• DiceおよびIoUのボックスプロットにおいて、性能に最小限のばらつきが認められ、すべてのテストサンプルで高いロバスト性を示した。
• CAWブロックの追加のみで、DiceスコアがcGANの86.04%から90.65%に向上した。これは、特徴表現に与える影響の大きさを示している。
• 分類ステージでは、セグメンテーションマスクから抽出した4つの形状統計のみを用いて85%の精度を達成し、ベースライン手法を2%上回った。
• 可視化比較では、提案モデルが、誤検出および誤検出が最も少ない正確な腫瘍境界セグメンテーションを生成した。
• モデルのセグメンテーション性能は安定的かつ一貫しており、信頼区間が狭い（例：Dice ±0.037）ことから、高い再現性を示した。