[論文レビュー] BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images

Mingzhe Hu, Yuheng Li+1 more|arXiv (Cornell University)|May 21, 2023

AI in cancer detection被引用数 7

ひとこと要約

本稿では、超音波画像における乳腺腫瘍のインタラクティブセグメンテーションを目的とした、Segment Anything Model (SAM) の微調整版である BreastSAM を提案する。ViT-l をバックボーンとし、プロンプトベースの相互作用を活用することで、Dice スコア 0.89、IoU 0.78 の最先端の性能を達成し、複雑な境界に起因する課題にもかかわらず、良性および悪性腫瘍の両方において強力なロバスト性を示した。

ABSTRACT

Breast cancer is one of the most common cancers among women worldwide, with early detection significantly increasing survival rates. Ultrasound imaging is a critical diagnostic tool that aids in early detection by providing real-time imaging of the breast tissue. We conducted a thorough investigation of the Segment Anything Model (SAM) for the task of interactive segmentation of breast tumors in ultrasound images. We explored three pre-trained model variants: ViT_h, ViT_l, and ViT_b, among which ViT_l demonstrated superior performance in terms of mean pixel accuracy, Dice score, and IoU score. The significance of prompt interaction in improving the model's segmentation performance was also highlighted, with substantial improvements in performance metrics when prompts were incorporated. The study further evaluated the model's differential performance in segmenting malignant and benign breast tumors, with the model showing exceptional proficiency in both categories, albeit with slightly better performance for benign tumors. Furthermore, we analyzed the impacts of various breast tumor characteristics - size, contrast, aspect ratio, and complexity - on segmentation performance. Our findings reveal that tumor contrast and size positively impact the segmentation result, while complex boundaries pose challenges. The study provides valuable insights for using SAM as a robust and effective algorithm for breast tumor segmentation in ultrasound images.

研究の動機と目的

• Segment Anything Model (SAM) が超音波画像からの乳腺腫瘍のセグメンテーションに適用可能かどうかを調査し、その性能を評価すること。
• 異なる SAM バックボーン変種（ViT_h、ViT_l、ViT_b）がセグメンテーション精度に与える影響を評価すること。
• プロンプトベースの相互作用が、インタラクティブな設定下でのセグメンテーション性能にどのように向上するかを分析すること。
• 良性および悪性腫瘍の両方におけるモデルの汎化性能を評価すること。また、腫瘍の特性に応じた性能差を検証すること。
• セグメンテーションの成功に影響を与える主な腫瘍特徴（サイズ、コントラスト、アスペクト比、境界の複雑さ）を同定すること。

提案手法

• 腫瘍のセグメンテーションを目的とした、独自の乳腺超音波画像データセットを用いて、Segment Anything Model (SAM) を微調整した。
• 3 種類の SAM 変種（ViT_h、ViT_l、ViT_b）を評価し、性能指標に基づいて最適なバックボーンとして ViT_l を選定した。
• ポイントプロンプトおよびボックスプロンプトを含むプロンプトベースの相互作用を用いて、モデルのセグメンテーション予測をガイドした。
• 標準指標（平均ピxls正解率、Dice スコア、IoU）を用いて、モデルの学習および検証を実施した。
• プロンプト使用の影響を分離するためのアブレーションスタディを実施した。
• 腫瘍固有の特徴（サイズ、コントラスト、アスペクト比、境界の複雑さ）がセグメンテーション結果に与える影響を分析した。

実験結果

リサーチクエスチョン

• RQ1 どの SAM バックボーン変種（ViT_h、ViT_l、ViT_b）が、超音波画像における乳腺腫瘍のセグメンテーションで最高の性能を示すか？
• RQ2 プロンプトベースの相互作用は、乳腺超音波画像の文脈において、SAM のセグメンテーション精度をどのように向上させるか？
• RQ3 モデルは良性および悪性の乳腺腫瘍の両方で同等の性能を示すのか、それとも性能差が生じるのか？
• RQ4 腫瘍のサイズおよびコントラストは、提案フレームワークにおけるセグメンテーション性能にどのように影響するか？
• RQ5 複雑な腫瘍境界は、BreastSAM モデルのセグメンテーション精度をどの程度阻害するか？

主な発見

• ViT_l 変種の SAM が最高の性能を示し、Dice スコア 0.89、IoU 0.78 を達成し、ViT_b や ViT_h を上回った。
• プロンプトベースの相互作用がセグメンテーション指標を顕著に向上させ、人間が関与するガイドラインの価値を示した。
• 良性腫瘍ではやや高い性能を示したが、両方のカテゴリで高い正確性を達成した。
• 腫瘍のコントラストおよびサイズが、セグメンテーション性能の向上と正の相関を示し、明確で大きな腫瘍はより容易にセグメンテーション可能であることを示した。
• 複雑な腫瘍境界は顕著な課題をもたらし、特に不規則な形状の病変では IoU および Dice スコアが低下した。
• 本研究は、微調整およびプロンプト処理が施された SAM が、超音波画像における乳腺腫瘍のセグメンテーションに対して、強固で効果的なソリューションであることを確認した。