[論文レビュー] AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms

Hui Sun, Cheng Li+4 more|arXiv (Cornell University)|Oct 24, 2018

AI in cancer detection参考文献 76被引用数 18

ひとこと要約

本稿では、手動または自動のパッチ抽出を回避する、全 mammogram における直接的乳腺マスセグメンテーションを目的とした、注目メカニズムを用いた密度アップサンプリングネットワークである AUNet を提案する。非対称エンコーダ・デコーダと注目メカニズムを用いた密度アップサンプリングブロック（AU ブロック）を統合することで、特徴の統合と空間的詳細の保持を向上させ、CBIS-DDSM では 81.8%、INbreast では 79.1% の Dice スコアを達成し、最先端の性能を実現した。

ABSTRACT

Mammography is one of the most commonly applied tools for early breast cancer screening. Automatic segmentation of breast masses in mammograms is essential but challenging due to the low signal-to-noise ratio and the wide variety of mass shapes and sizes. Existing methods deal with these challenges mainly by extracting mass-centered image patches manually or automatically. However, manual patch extraction is time-consuming and automatic patch extraction brings errors that could not be compensated in the following segmentation step. In this study, we propose a novel attention-guided dense-upsampling network (AUNet) for accurate breast mass segmentation in whole mammograms directly. In AUNet, we employ an asymmetrical encoder-decoder structure and propose an effective upsampling block, attention-guided dense-upsampling block (AU block). Especially, the AU block is designed to have three merits. Firstly, it compensates the information loss of bilinear upsampling by dense upsampling. Secondly, it designs a more effective method to fuse high- and low-level features. Thirdly, it includes a channel-attention function to highlight rich-information channels. We evaluated the proposed method on two publicly available datasets, CBIS-DDSM and INbreast. Compared to three state-of-the-art fully convolutional networks, AUNet achieved the best performances with an average Dice similarity coefficient of 81.8% for CBIS-DDSM and 79.1% for INbreast.

研究の動機と目的

• 低信号対雑音比と多様なマスの形状・サイズを有する全 mammogram における正確な乳腺マスセグメンテーションの課題に対処すること。
• 誤差を引き起こし、時間がかかる手動または自動の画像パッチ抽出の必要性を排除すること。
• 向上したアップサンプリングと注目メカニズムを通じて、セグメンテーションプロセスにおける特徴表現と空間的詳細の回復を向上させること。
• パッチベースの前処理を一切行わない、完全畳み込みネットワークを構築し、全 mammogram を直接処理すること。
• 注目と密接接続を備えた新規アップサンプリングブロックを用いて、ベンチマークデータセットで優れたセグメンテーション性能を達成すること。

提案手法

• AUNet は、全 mammogram からのマルチスケール特徴を効果的に捉えるために、非対称エンコーダ・デコーダアーキテクチャを採用する。
• 主なイノベーションは、注目メカニズムを用いた密度アップサンプリングブロック（AU ブロック）であり、密度アップサンプリングとチャネル注目を組み合わせることで情報損失を低減する。
• AU ブロックは、標準的なアップサンプリング手法よりも、高レベルの意味的特徴と低レベルの空間的詳細をより効果的に統合する。
• 情報量の多い特徴チャネルを強調するために、チャネル注目が統合され、表現品質が向上する。
• AU ブロック内に設けられた密なスキップ接続により、トレーニング中の特徴伝搬と勾配の流れが強化される。
• 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 損失を組み合わせて、エンド・トゥ・エンドでネットワークをトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 パッチ抽出に依存しない完全畳み込みネットワークが、全 mammogram における優れた乳腺マスセグメンテーションを達成できるか？
• RQ2 注目メカニズムを用いた密度アップサンプリングは、標準的なアップサンプリングと比較して、特徴回復とセグメンテーション精度をどのように向上させるか？
• RQ3 チャネル注目を統合することで、マスセグメンテーションにおける特徴マップの識別力はどの程度向上するか？
• RQ4 AUNet は、公的 mammogram データセットにおいて、最先端の完全畳み込みネットワークと比較してどのように性能を発揮するか？
• RQ5 提案された AU ブロックは、臨床的 mammogram における多様なマスの形状・サイズ・ノイズレベルに一般化可能か？

主な発見

• AUNet は CBIS-DDSM データセットで平均 Dice 類似係数 81.8% を達成し、3 つの最先端の完全畳み込みネットワークを上回った。
• INbreast データセットでは、AUNet が 79.1% の Dice スコアを達成し、異なる画像プロトコルやマスに対して強い一般化性能を示した。
• アブレーションスタディにより、AU ブロックの各構成要素（密度アップサンプリング、注目メカニズム、特徴統合）が性能向上に顕著に寄与していることが確認された。
• ネットワークは、mammogram に一般的に見られる低コントラストおよびノイズの高い領域に対してもロバストであり、マスの微細な境界を保持した。
• 注目メカニズムは、情報量の多いチャネルを的確に強調し、複雑な解剖的領域におけるセグメンテーション精度を向上させた。
• AUNet が全 mammogram を直接推論可能であるという特徴により、パッチベースのアプローチに伴う誤差伝搬が完全に排除された。