[論文レビュー] Automatic Breast Ultrasound Image Segmentation: A Survey

Min Xian, Yingtao Zhang+4 more|arXiv (Cornell University)|Apr 4, 2017

AI in cancer detection被引用数 18

ひとこと要約

本サーベイは、過去20年間の180件以上の自動乳腺超音波（BUS）画像セグメンテーション手法を包括的にレビューし、分類している。アクティブな輪郭、レベルセット、領域ベースのセグメンテーション、機械学習、ディープラーニングに基づく手法を分析し、それらの原理、長所・短所、パフォーマンスのトレンドを明らかにするとともに、臨床応用における主な課題と今後の研究方向性を特定している。

ABSTRACT

Breast cancer is one of the leading causes of cancer death among women worldwide. In clinical routine, automatic breast ultrasound (BUS) image segmentation is very challenging and essential for cancer diagnosis and treatment planning. Many BUS segmentation approaches have been studied in the last two decades, and have been proved to be effective on private datasets. Currently, the advancement of BUS image segmentation seems to meet its bottleneck. The improvement of the performance is increasingly challenging, and only few new approaches were published in the last several years. It is the time to look at the field by reviewing previous approaches comprehensively and to investigate the future directions. In this paper, we study the basic ideas, theories, pros and cons of the approaches, group them into categories, and extensively review each category in depth by discussing the principles, application issues, and advantages/disadvantages.

研究の動機と目的

• 2000年から2017年までの間、180件以上の自動BUS画像セグメンテーション手法を体系的にレビューし、分類すること。
• 臨床応用の文脈において、さまざまなセグメンテーション手法の理論的基盤、技術的実装、パフォーマンスのトレードオフを分析すること。
• 画像ノイズ、低コントラスト、標準化されたデータセットの欠如といった、パフォーマンス向上を阻害する恒久的課題を特定すること。
• 従来の画像処理からディープラーニングへの手法の進化を評価し、臨床応用可能性と一般化性能を検討すること。
• 未開拓の分野やパフォーマンス向上における主要なボトル neck を特定することで、今後の研究のためのロードマップを提示すること。

提案手法

• セグメンテーション手法を5つの主要なグループに分類：アクティブな輪郭モデル、レベルセット法、領域ベースのセグメンテーション、機械学習ベースの手法、ディープラーニングベースの手法。
• 各カテゴリの背後にある原理（例：アクティブな輪郭におけるエネルギー最小化、レベルセットにおける幾何的進化）の詳細な分析。
• 特徴抽出、エッジ検出、領域の均一性、事前知識の統合といった、メソドロジー的要素の評価。
• Dice係数、感度、特異度といった指標を用いて、さまざまなデータセットにおけるパフォーマンスを比較。再現可能性とベンチマークの重要性に重点を置く。
• 入力モodal、出力タイプ、臨床統合可能性に基づいて、手法を分類する構造的分類法（トаксナミー）の活用。
• 既存研究における制限要因（小規模なデータセット、公開された検証の欠如、プライベートデータへの過剰適合）の批判的評価。

実験結果

リサーチクエスチョン

• RQ1 自動BUS画像セグメンテーションにおける支配的で主要なメソドロジー的カテゴリは何か。また、過去20年間でそれらはどのように進化してきたか。
• RQ2 現在のBUSセグメンテーション手法のパフォーマンスと臨床的採用を制限する主な技術的課題は何か。
• RQ3 アクティブな輪郭、レベルセット、ディープラーニングといった異なるセグメンテーション手法は、正確性、ロバスト性、計算効率の観点からどのように比較できるか。
• RQ4 機械学習およびディープラーニングの進歩にもかかわらず、なぜBUSセグメンテーションのパフォーマンス向上がブottleneckに陥っているのか。
• RQ5 データセットの可用性、ベンチマーク基準、臨床的妥当性の観点から、現在の研究における最も重要なギャップは何か。

主な発見

• アクティブな輪郭やレベルセットといった従来の手法は依然として広く使われているが、ノイズや初期化に敏感であるため、臨床現場でのロバスト性に制限がある。
• 領域ベースのセグメンテーション手法は、均一な組織領域では優れたパフォーマンスを示すが、不均一または複雑な腫瘍境界では困難をきたす。
• SVM やランダムフォレストを含む機械学習ベースのアプローチは、古典的手法よりも一般化性能に優れるが、手作業による特徴抽出に依存するという制限がある。
• ディープラーニングモデル、特にU-Netの変種は、公開データセットにおいて最先端のパフォーマンスを示しており、一部の研究ではDiceスコアが0.85を超える。
• 進展は見られるものの、大多数の手法はプライベートまたは小規模なデータセットでの評価にとどまっており、パフォーマンスの過剰評価と一般化性能の欠如が生じている。
• 標準化されたベンチマーク、公開データセット、臨床的妥当性のパイプラインの欠如が、実世界への導入と手法比較の主要なボトル neck となっている。