[論文レビュー] BUSIS: A Benchmark for Breast Ultrasound Image Segmentation

Min Xian, Yingtao Zhang+7 more|arXiv (Cornell University)|Jan 9, 2018

Radiomics and Machine Learning in Medical Imaging被引用数 5

ひとこと要約

本稿では、4名の放射線科医による標準化された手順で収集された562枚のアノテート済み画像を含む、乳がん超音波画像分離のための公開ベンチマークであるBUSISを紹介する。本研究では、一貫した指標を用いて16の最先端手法を評価し、優れた性能を示す戦略を同定し、自動化された乳がん腫瘍分離における客観的比較と臨床的意義のある評価の基盤を確立する。

ABSTRACT

Breast ultrasound (BUS) image segmentation is challenging and critical for BUS Comput-er-Aided Diagnosis (CAD) systems. Many BUS segmentation approaches have been studied in the last two decades, but the performances of most approaches have been assessed using relatively small private datasets with different quantitative metrics, which results in a discrepancy in performance comparison. Therefore, there is a pressing need for building a benchmark to compare existing methods using a public dataset objectively, to determine the performance of the best breast tumor segmentation algorithm available today, and to investigate what segmentation strategies are valuable in clinical practice and theoretical study. In this work, a benchmark for B-mode breast ultrasound image segmentation is presented. In the benchmark, 1) we collected 562 breast ultrasound images, prepared a software tool, and involved four radiologists in obtaining accurate annotations through standardized procedures; 2) we extensively compared the performance of sixteen state-of-the-art segmentation methods and discussed their advantages and disadvantages; 3) we proposed a set of valuable quantitative metrics to evaluate both semi-automatic and fully automatic segmentation approaches; and 4) the successful segmentation strategies and possible future improvements are discussed in details.

研究の動機と目的

• 標準化された評価の欠如に応えるために、一貫したアノテーションと指標を備えた公開ベンチマークを構築すること。
• 共有で公開可能な同一データセットを用いて、既存の分離手法の客観的性能比較を可能にすること。
• 臨床的意義があり、理論的にも妥当な両立する分離戦略を同定すること。
• 半自動および完全自動分離アプローチの両方に適した包括的な定量的指標のセットを提案すること。
• 現在の手法の強みと限界を分析し、今後の研究の方向性を示唆することで、今後の研究を導くこと。

提案手法

• 臨床的ソースから562枚のBモード乳がん超音波画像を収集し、腫瘍の特徴や画像条件の多様性を確保した。
• 4名の経験豊富な放射線医が定められたプロトコルに従って標準化された複数読影を支援する専用のソフトウェアツールを開発した。
• 高品質で信頼性の高いアノテーションを確保するため、コンSENSUSに基づくグランドトゥルースラベル付けプロセスを確立した。
• 全データセットにわたって、標準化された評価プロトコルを用いて16の最先端分離アルゴリズムを評価した。
• Dice、Jaccard、感度などの定量的指標のセットを提案し、異なる手法タイプにおける分離性能の評価を可能にした。
• アブレーションおよび比較分析を実施し、優れた分離性能に寄与する主要な要因を同定した。

実験結果

リサーチクエスチョン

• RQ1 標準化されたベンチマークを用いた乳がん超音波画像分離における現在の最先端性能はどの程度か？
• RQ2 多様な腫瘍タイプや画像アーチファクトに対し、一貫して優れた性能を示す分離戦略は何か？
• RQ3 同じ評価プロトコルと指標のもとで、完全自動と半自動手法はどのように比較されるか？
• RQ4 乳がん腫瘍分離の評価に最も信頼性があり臨床的意味のある定量的指標は何か？
• RQ5 深層学習アーキテクチャ、損失関数、データ拡張などの手法的要素のうち、性能向上に最も寄与するのはどれか？

主な発見

• ベンチマークデータセットには、562枚の高品質で放射線科医による検証済み乳がん超音波画像が含まれており、正確な腫瘍分離アノテーションが付与されている。
• 特にアテンション機構を備えたU-Net変種を用いた深層学習ベースの手法が、全データセットにおいて最高の平均Diceスコアを達成した。
• 提案された評価指標により、一貫性があり信頼性の高い比較が可能となり、異なる指標を使用した場合に顕著な性能差が明らかになった。
• コントラストが低いか複雑な境界を示す腫瘍のケースでは、半自動手法が完全自動手法を上回った。これは、人間が関与するフィードバックの価値を示している。
• マルチスケール特徴統合と適応的損失関数を組み込んだ手法が、ノイズやアーチファクトに対して優れた耐性を示した。
• 本研究では、現在の最先端モデルが、小さな、不規則な形状、または明確でない腫瘍に対して依然として困難を抱えていることが同定され、今後の改善の重要な分野であると示された。