[論文レビュー] Breast mass segmentation based on ultrasonic entropy maps and attention gated U-Net

Michał Byra, Piotr Jarosik+5 more|arXiv (Cornell University)|Jan 27, 2020

AI in cancer detection被引用数 7

ひとこと要約

本稿では、標準的な超音波（US）画像の代わりに、超音波エントロピー図を用いることで、超音波画像における乳腺マスのセグメンテーションのための新規ディープラーニング手法を提案する。生のUS信号から得られる組織マイクロ構造を定量化するエントロピー図を用いて、アテンションゲート付きU-Netを訓練した結果、平均Diceスコアは0.60を達成し、US画像ベースのモデル（0.53）を顕著に上回った。これは、パrametricマップが境界の可視性を向上させることで、セグメンテーション精度を向上させることを示している。

ABSTRACT

We propose a novel deep learning based approach to breast mass segmentation in ultrasound (US) imaging. In comparison to commonly applied segmentation methods, which use US images, our approach is based on quantitative entropy parametric maps. To segment the breast masses we utilized an attention gated U-Net convolutional neural network. US images and entropy maps were generated based on raw US signals collected from 269 breast masses. The segmentation networks were developed separately using US image and entropy maps, and evaluated on a test set of 81 breast masses. The attention U-Net trained based on entropy maps achieved average Dice score of 0.60 (median 0.71), while for the model trained using US images we obtained average Dice score of 0.53 (median 0.59). Our work presents the feasibility of using quantitative US parametric maps for the breast mass segmentation. The obtained results suggest that US parametric maps, which provide the information about local tissue scattering properties, might be more suitable for the development of breast mass segmentation methods than regular US images.

研究の動機と目的

• 定量的超音波パラメトリックマップ、特にエントロピー図が、従来のUS画像と比較して乳腺マスのセグメンテーション性能を向上させるかどうかを調査すること。
• 生のUS信号から得られるエントロピー図が、ディープラーニングセグメンテーションモデルの入力として使用可能かどうかを評価すること。
• 臨床データを用いて、US画像とエントロピーパラメトリックマップの両方で訓練されたアテンションゲート付きU-Netモデルの性能を比較すること。
• 提案されたフレームワークにおいて、良性および悪性の乳腺マスの間でセグメンテーション性能に差が生じるかどうかを評価すること。

提案手法

• エントロピー図は、生のUS信号からのヒルベルト変換された振幅サンプルを用いたスライディングウィンドウ技術により生成された。組織マイクロ構造の局所的推定に、エントロピーの公式 $ E = -\int f(A)\ln f(A)\,dA $ が適用された。
• セグメンテーションモデルは、スキップ接続にアテンションゲートを設けることで関連領域に注目するアテンションゲート付きU-Netアーキテクチャを採用した。
• 微調整学習は、ImageNetで事前学習されたVGG19の重みを用いて最初の2つの畳み込みブロックを初期化することで実施され、グレースケール入力に適応するためのマッチングレイヤー法が用いられた。
• US画像とエントロピー図は、VGG19との互換性を確保するため224×224にリサイズされ、Dice損失関数を用いて訓練され、早期停止と学習率の段階的減少が適用された。
• トレーニング中にはデータ拡張が適用され、セグメンテーションマスクの精錬のために後処理としてモルフォロジカルクロージングが用いられた。
• モデルは269例の乳腺マス（悪性123例、良性146例）で訓練され、保留されたテストセット81例で評価された。

実験結果

リサーチクエスチョン

• RQ1 生のUS信号から得られるエントロピー図パラメトリックマップが、ディープラーニングモデルにおいて標準的なUS画像と比較して、乳腺マスのセグメンテーション性能を向上させるか。
• RQ2 アテンションゲート付きU-Netアーキテクチャが、エントロピー図に適用された場合、セグメンテーション精度を向上させるか。
• RQ3 エントロピー図を入力として用いた場合、良性および悪性の乳腺マスの間でセグメンテーション性能に顕著な差が生じるか。
• RQ4 VGG19からの微調整学習が、エントロピー図とUS画像の両方の入力に対して、セグメンテーションモデルの性能にどの程度影響を与えるか。
• RQ5 エントロピーのようなパラメトリックマップが、ぼんやりとしたマス境界を明確に定義するのを支援する、より特徴的な組織テクスチャ情報を提供できるか。

主な発見

• エントロピー図を入力として用いたアテンションU-Netは、平均Diceスコア0.60（中央値0.71）を達成し、US画像ベースのモデル（平均0.53、中央値0.59）を顕著に上回った。
• エントロピー図を用いた場合、悪性マスの中央値Diceスコアは0.70であったのに対し、US画像では0.60であった。境界の明確化が向上したことを示している。
• 良性マスについても、エントロピー図を用いた場合の中央値Diceスコアは0.72であったのに対し、US画像では0.58であった。マスの種類にかかわらず一貫した改善が確認された。
• エントロピー図ベースのモデルのJaccardスコアは0.49（中央値0.54）であったのに対し、US画像ベースのモデルでは0.39（中央値0.42）であった。重なりの優位性がさらに確認された。
• 両モデルにおいて、良性および悪性マスの間でセグメンテーション性能に統計的に有意な差は認められず、一貫した一般化性能が示された。
• 視覚的検査により、エントロピー図ではマスの境界がより明確に定義されていることが確認され、これがセグメンテーション精度の向上に寄与した可能性がある。