[論文レビュー] Breast Mass Segmentation and Shape Classification in Mammograms Using Deep Neural Networks.

Vivek Kumar Singh, Hatem A. Rashwan+9 more|arXiv (Cornell University)|Sep 5, 2018

AI in cancer detection被引用数 4

ひとこと要約

本稿では、マンモグラムにおける正確な乳房腫瘍セグメンテーションのための条件付き生成対抗ネットワーク（cGAN）を提案し、Dice係数94%、IoU 87%を達成した。加えて、4つの形状（不規則、ラベル、楕円、円形）に分類するCNNベースの形状分類器を構築し、80%の精度を達成。公的および私的データセットにおいて、最先端手法を上回る性能を示した。

ABSTRACT

Mammogram analysis to manually extract breast masses is a tough assignment that radiologists must frequently carry out. Therefore, image analysis methods are needed for the detection and delineation of breast masses, which portray crucial morphological information that will support reliable diagnosis. In this paper, we proposed a conditional Generative Adversarial Network (cGAN) devised to segment a breast mass within a region of interest (ROI) in a mammogram. The generative network learns to recognize the breast mass area and to create the binary mask that outlines the breast mass. In turn, the adversarial network learns to distinguish between real (ground truth) and synthetic segmentations, thus enforcing the generative network to create binary masks as realistic as possible. The cGAN works well even when the number of training samples are limited. Therefore, the proposed method outperforms several state-of-the-art approaches. This hypothesis is corroborated by diverse experiments performed on two datasets, the public INbreast and a private in-house dataset. The proposed segmentation model provides a high Dice coefficient and Intersection over Union (IoU) of 94% and 87%, respectively. In addition, a shape descriptor based on a Convolutional Neural Network (CNN) is proposed to classify the generated masks into four mass shapes: irregular, lobular, oval and round. The proposed shape descriptor was trained on Digital Database for Screening Mammography (DDSM) yielding an overall accuracy of 80%, which outperforms the current state-of-the-art.

研究の動機と目的

• 放射線科医による乳房腫瘍の手動セグメンテーションは時間がかかり、誤りが生じやすいという課題に対処すること。
• 限られたトレーニングデータでも正確に乳房腫瘍をセグメンテーションできるディーブラーニングモデルの開発。
• セグメンテーションされた腫瘍を4つの形態的形状（不規則、ラベル状、楕円、円形）に分類し、診断支援を向上させること。
• セグメンテーションおよび形状分類の両面で、既存の最先端手法を上回る性能を達成すること。

提案手法

• 条件付きGAN（cGAN）を採用し、生成器がマンモグラムの領域（ROI）から腫瘍を囲むバイナリマスクを学習する。
• 識別器ネットワークは、実際の正解マスクと生成器が合成したマスクを区別することで、セグメンテーション出力の現実性を強制する。
• 限られたトレーニングサンプルでも、生成マスクの忠実性を向上させるために、敵対的損失を用いてcGANをエンドツーエンドで訓練する。
• 分離されたCNNベースの形状記述子を、DDSMデータセット上で訓練し、セグメンテーションマスクを4つの形状カテゴリに分類する。
• セグメンテーションモデルは、公的INbreastおよび社内データセットの2つに対して評価され、Dice係数とIoU指標が用いられた。
• 形状分類モデルはDDSMデータセット上で全体の分類精度について評価され、既存手法と比較された。

実験結果

リサーチクエスチョン

• RQ1 限られたトレーニングデータで、cGANベースの手法がマンモグラムにおける乳房腫瘍のセグメンテーションで高い精度を達成できるか？
• RQ2 提案手法のcGANは、限られたデータ環境下でも、最先端手法と比較してDice係数およびIoUの観点で優れているか？
• RQ3 DDSMデータセット上で訓練されたCNNベースの形状記述子は、既存手法と比較して優れた分類精度を達成できるか？
• RQ4 セグメンテーションと形状分類の統合は、マンモグラフィーにおける診断支援をどの程度向上させるか？

主な発見

• 提案されたcGANは、INbreastと社内データセットを統合したデータ上で、Dice係数94%、交差率（IoU）87%を達成し、高いセグメンテーション精度を示した。
• 特にデータが少ない状況下でも、複数の最先端手法を上回るセグメンテーション性能を示した。
• CNNベースの形状記述子は、DDSMデータセット上で全体の分類精度80%を達成し、現在の最先端手法を上回った。
• セグメンテーションモデルは、微細または複雑な腫瘍境界を示す画像に対しても、強靭性を示した。
• セグメンテーションと形状分類の統合により、放射線科診断のための包括的で包括的なツールが提供され、早期かつ正確な診断を支援した。