[論文レビュー] CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation

Zhenyuan Ning, Ke Wang+3 more|arXiv (Cornell University)|Mar 23, 2020

AI in cancer detection参考文献 36被引用数 13

ひとこと要約

本稿では、エッジおよび構造的詳細を強化するために 'E' 形の特徴統合モジュールを用いた、乳房超音波画像分類のための粗くから細かくまでの特徴統合畳み込みニューラルネットワークである CF2-Net を提案する。スーパーピクセル画像と元の画像を入力として融合し、重み付きバランス損失関数を採用することで、4分割交差検証を用いたオープンな BUS データセット上で最先端の性能を達成した。

ABSTRACT

Breast ultrasound (BUS) image segmentation plays a crucial role in a computer-aided diagnosis system, which is regarded as a useful tool to help increase the accuracy of breast cancer diagnosis. Recently, many deep learning methods have been developed for segmentation of BUS image and show some advantages compared with conventional region-, model-, and traditional learning-based methods. However, previous deep learning methods typically use skip-connection to concatenate the encoder and decoder, which might not make full fusion of coarse-to-fine features from encoder and decoder. Since the structure and edge of lesion in BUS image are common blurred, these would make it difficult to learn the discriminant information of structure and edge, and reduce the performance. To this end, we propose and evaluate a coarse-to-fine fusion convolutional network (CF2-Net) based on a novel feature integration strategy (forming an 'E'-like type) for BUS image segmentation. To enhance contour and provide structural information, we concatenate a super-pixel image and the original image as the input of CF2-Net. Meanwhile, to highlight the differences in the lesion regions with variable sizes and relieve the imbalance issue, we further design a weighted-balanced loss function to train the CF2-Net effectively. The proposed CF2-Net was evaluated on an open dataset by using four-fold cross validation. The results of the experiment demonstrate that the CF2-Net obtains state-of-the-art performance when compared with other deep learning-based methods

研究の動機と目的

• 乳房超音波（BUS）画像分類における曇った病変境界と劣った構造表現の課題に対処すること。
• 標準的なスキップ接続の代わりに、新規の 'E' 形の統合モジュールを導入することで、エンコーダーとデコーダー間の特徴統合を改善すること。
• 元の画像とスーパーピクセル画像の連結を入力として用いることで、輪郭の正確性と構造的詳細の学習を向上させること。
• さまざまなサイズの病変領域におけるクラスの不均衡を、重み付きバランス損失関数で緩和すること。
• 公開されている BUS データセット上で最先端の分類性能を達成すること。

提案手法

• エンコーダーとデコーダーの特徴を粗くから細かくまで統合できる新規の 'E' 形特徴統合モジュールを導入し、エッジおよび構造的表現を向上させる。
• 元の BUS 画像とスーパーピクセル画像の連結入力を用いることで、追加のテクスチャおよび境界の手がかりを提供する。
• 小規模な病変領域に高い重みを割り当てることで、クラスの不均衡に対処する重み付きバランス損失関数を採用する。
• 提案された統合モジュールを組み込んだ、U-Net に類似たエンコーダー・デコーダー構造を採用し、空間的詳細の保持を図る。
• 公に利用可能な BUS データセットを用いて、4分割交差検証でネットワークを訓練する。
• 畳み込みブロック、バッチ正規化、ReLU 活性化関数などの標準的なディープラーニングコンponentsを活用する。

実験結果

リサーチクエスチョン

• RQ1 曇った病変境界を有する乳房超音波画像における分類精度を、粗くから細かくまでの特徴統合戦略が向上させられるか？
• RQ2 補助入力としてのスーパーピクセルマップを組み込むことで、BUS 画像分類におけるエッジおよび構造的詳細の学習が向上するか？
• RQ3 重み付きバランス損失関数は、小規模な病変領域における性能低下をどの程度軽減できるか？
• RQ4 標準的な BUS ベンチマーク上で、提案された CF2-Net は既存のディープラーニングベースの分類手法を上回るか？
• RQ5 'E' 形の統合モジュールは、細かく精巧な解剖的詳細を保持する点で、標準的なスキップ接続を上回れるか？

主な発見

• CF2-Net は、公開されている BUS データセット上で最先端の性能を達成し、既存のディープラーニングベースの手法を上回った。
• 提案された 'E' 形統合モジュールは、病変分類における境界の明確化および構造的一致性を顕著に向上させた。
• スーパーピクセル画像と元の画像の連結を入力として用いることで、より正確な輪郭予測が可能になった。
• 重み付きバランス損失関数は、特に小規模な病変に対して、クラスの不均衡の影響を効果的に低減した。
• 4分割交差検証の結果、すべてのフォールドで一貫した性能向上が確認され、モデルの頑健性が示された。
• Dice スコアやハウスドルフ距離といった定量的指標は、ベースラインモデルと比較して優れた分類品質を示した。