[論文レビュー] Automated Breast Lesion Segmentation in Ultrasound Images

Ibrahim Sadek, Mohamed Elawady+1 more|arXiv (Cornell University)|Jan 1, 2013

AI in cancer detection被引用数 4

ひとこと要約

本稿では、中央値フィルタリング、正規化カットによるセグメンテーション、および輪郭選択を伴うK-meansクラスタリングを用いた3段階の自動手法を提案する。本手法は、スペックルノイズや低コントラストの影響を受けるが、多様なデータセットにおいても頑健な性能を示し、平均Dice係数は0.8133、Jaccard係数は0.6853を達成した。

ABSTRACT

The main objective of this project is to segment different breast ultrasound images to find out lesion area by discarding the low contrast regions as well as the inherent speckle noise. The proposed method consists of three stages (removing noise, segmentation, classification) in order to extract the correct lesion. We used normalized cuts approach to segment ultrasound images into regions of interest where we can possibly finds the lesion, and then K-means classifier is applied to decide finally the location of the lesion. For every original image, an annotated ground-truth image is given to perform comparison with the obtained experimental results, providing accurate evaluation measures.

研究の動機と目的

• 早期がん検出を支援するため、超音波画像における乳房病変の自動セグメンテーション手法を開発すること。
• 超音波画像に固有の低コントラスト領域およびスペックルノイズに起因する課題に対処すること。
• 事前処理、正規化カットによるセグメンテーション、K-meansによる後処理を統合することで、セグメンテーションの正確性を向上させること。
• 正解アノテーションとの比較を通じて、Dice係数やJaccard係数といった標準指標を用いて性能を評価すること。
• 臨床的意思決定支援における病変検出の誤検出率および誤検出率を低減すること。

提案手法

• 事前処理では、中央値フィルタリングを実施し、必要に応じてヒストグラム均一化またはコントラスト調整による明るさの強化を併用してノイズ低減と画像品質向上を図る。
• セグメンテーションには正規化カットアルゴリズムを用い、グラフベースの類似度に基づいて画像を領域に分割し、4つの候補となるセグメンテーション画像を生成する。
• 後処理として、各正規化カットの結果に対してK-meansクラスタリングを適用し、前面（病変）と背景のクラスタに分離する。
• 病変は、K-meansの出力から輪郭長が最小となる領域として特定され、コンパクト性および解剖学的妥当性を確保する。
• K-meansで1つのクラスタしか得られない場合には、代替としてOtsu-thresholdingを適用して病変領域を抽出する。
• 評価は正解アノテーションを用い、Dice係数およびJaccard係数による性能測定を実施する。

実験結果

リサーチクエスチョン

• RQ1 低コントラストでノイズの強い超音波画像において、正規化カットは乳房病変のセグメンテーションに有効に機能するか？
• RQ2 K-meansクラスタリングと輪郭選択の統合は、病変の局在精度をどのように向上させるか？
• RQ3 事前処理ステップ（例：中央値フィルタリング、ヒストограм均一化）は、セグメンテーション性能にどのような影響を及えるか？
• RQ4 本手法は、アクティブな輪郭法や領域拡張法といった従来手法と比較して、困難な超音波条件下でも優れているか？
• RQ5 本手法は、病変サイズや画像品質のばらつきに対しても一般化性を示すか？

主な発見

• 20枚の超音波画像全体で平均Dice係数0.8133、平均Jaccard係数0.6853を達成し、強固なセグメンテーション性能を示した。
• 20枚中16枚が正常にセグメンテーションされ、残りの4枚は病変が小さすぎるかノイズが高いために性能が低かった。
• 最高のDiceスコアは0.9368（画像000002）であり、最低は0.0699（画像000046）で、病変の可視性のばらつきが顕著に現れた。
• 正常にセグメンテーションされた画像では、誤検出率および誤検出率が低く、特に1クラス目（容易にセグメンテーション可能なケース）で顕著であった。
• 処理時間の平均は1枚あたり10.50秒、標準偏差は1.89秒であり、中程度の処理効率を示した。
• 3枚の画像（000019、000014、000030）では、Dice係数とJaccard係数の両方が0となった。主な原因は病変が背景と融合しているか、ノイズに隠蔽されていることであった。