[論文レビュー] AUNet: Breast Mass Segmentation of Whole Mammograms.

Hui Sun, Cheng Li+2 more|arXiv (Cornell University)|Oct 24, 2018

AI in cancer detection被引用数 2

ひとこと要約

本稿では、非対称なエンコーダ・デコーダを備えた注目メカニズム誘導型密度アップサンプリング（AU）ブロックを用いた、直接的な全乳房マトグラム用乳腺腫瘍セグメンテーションのための新規な注目メカニズム誘導型密度アップサンプリングネットワークAUNetを提案する。このAUブロックは特徴の統合を強化し、空間的詳細を保持する。AUNetは、CBIS-DDSMで81.8%のDiceスコア、INbreastで79.1%のDiceスコアを達成し、最先端性能を実現した。

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SN比と多様な腫瘍形状・サイズを有する全乳房マトグラムにおける正確な乳腺腫瘍セグメンテーションの課題に対処すること。
• 手動または誤りの多い自動的なパッチ抽出の必要性を排除し、全マトグラム上で直接セグメンテーションを可能にすること。
• 新しいアップサンプリング機構を用いて、デコーダパスにおける特徴の回復と統合を改善すること。
• チャネル注目メカニズムを用いて情報量の多いチャネルを強調することで、セグメンテーション精度を向上させること。
• 局所化された画像パッチに依存せずに、ベンチマーク用乳房マトグラムデータセットで最先端の性能を達成すること。

提案手法

• AUNetは、全乳房マトグラムからのマルチスケール特徴を効果的に捉えるために、非対称なエンコーダ・デコーダアーキテクチャを採用する。
• 主な革新点は、密度アップサンプリングと注目メカニズムを組み合わせた注目メカニズム誘導型密度アップサンプリング（AU）ブロックである。このブロックは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の統合をより効果的に行う。
• チャネル注目メカニズムがAUブロックに統合され、より識別的な情報を含むチャネルを強調する。
• 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・トゥ・エンドでネットワークを訓練し、セグメンテーション性能を最適化する。
• パッチベースの前処理を回避することで、フル解像度のマトグラム上で直接推論が可能になる。

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、画像パッチ抽出に依存しない形で優れた乳腺腫瘍セグメンテーション精度を達成できるか？
• RQ2 注目メカニズム誘導型密度アップサンプリングブロックは、デコーディング段階での空間的詳細の回復と特徴統合の向上にどの程度効果的か？
• RQ3 チャネル注目メカニズムは、多様な腫瘍外観を示す低コントラストマトグラムにおけるセグメンテーション性能をどの程度向上させるか？
• RQ4 AUNetは、標準的な全乳房マトグラムセグメンテーションベンチマークにおいて、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差をつけるか？
• RQ5 提案されたアーキテクチャは、異なる撮影プロトコルや腫瘍特性を有する多様なデータセットにおいても高い性能を維持できるか？

主な発見

• AUNetはCBIS-DDSMデータセットで81.8%のDice類似係数を達成し、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、異なるベンチマークデータセットにおいて一貫した優位性を示した。
• 注目メカニズム誘導型密度アップサンプリングブロックは、標準的なバイリニアアップサンプリングと比較して、情報損失を顕著に低減した。
• チャネル注目メカニズムの統合により、モデルの情報量の多い特徴チャネルに注目する能力が向上し、セグメンテーション精度が向上した。
• パッチ抽出の必要性を排除することで、AUNetはセグメンテーションパイプラインを簡素化し、局所化ステップに起因する誤差伝搬を回避した。
• 非対称なエンコーダ・デコーダ設計は、全乳房マトグラム解析における特徴の抽象化と空間的詳細の保持のバランスを効果的に果たした。