[論文レビュー] Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images

Mohsen Ahmadi, Masoumeh Farhadi Nia+5 more|arXiv (Cornell University)|Jun 21, 2023

AI in cancer detection被引用数 5

ひとこと要約

本研究では、超音波およびマンモグラフィ画像における乳腺腫瘍のセグメンテーションについて、U-Netと事前学習済みのSegment Anything Model（SAM）を比較した。多様な腫瘍（良性および悪性）を含むアノテーション済みのデータセットを用い、U-Netは不規則で不均一、または境界が不明瞭な腫瘍においてもSAMを上回る精度を示し、医療画像セグメンテーションタスクにおける優位性を示した。

ABSTRACT

In this study, the main objective is to develop an algorithm capable of identifying and delineating tumor regions in breast ultrasound (BUS) and mammographic images. The technique employs two advanced deep learning architectures, namely U-Net and pretrained SAM, for tumor segmentation. The U-Net model is specifically designed for medical image segmentation and leverages its deep convolutional neural network framework to extract meaningful features from input images. On the other hand, the pretrained SAM architecture incorporates a mechanism to capture spatial dependencies and generate segmentation results. Evaluation is conducted on a diverse dataset containing annotated tumor regions in BUS and mammographic images, covering both benign and malignant tumors. This dataset enables a comprehensive assessment of the algorithm's performance across different tumor types. Results demonstrate that the U-Net model outperforms the pretrained SAM architecture in accurately identifying and segmenting tumor regions in both BUS and mammographic images. The U-Net exhibits superior performance in challenging cases involving irregular shapes, indistinct boundaries, and high tumor heterogeneity. In contrast, the pretrained SAM architecture exhibits limitations in accurately identifying tumor areas, particularly for malignant tumors and objects with weak boundaries or complex shapes. These findings highlight the importance of selecting appropriate deep learning architectures tailored for medical image segmentation. The U-Net model showcases its potential as a robust and accurate tool for tumor detection, while the pretrained SAM architecture suggests the need for further improvements to enhance segmentation performance.

研究の動機と目的

• 乳腺超音波およびマンモグラフィ画像における腫瘍の正確な検出およびセグメンテーションを目的としたディープラーニングベースのアルゴリズムの開発と評価。
• 腫瘍セグメンテーションの文脈において、専用の医療画像セグメンテーションネットワークとしてのU-Netと、事前学習済みのSegment Anything Model（SAM）の性能を比較すること。
• 不規則な形状、曖昧な境界、高い不均一性を示す腫瘍を含む多様な腫瘍タイプにおけるモデルのロバストネスを評価すること。
• 最先端モデルの構造的強みと限界を、臨床的画像診断応用の文脈で同定すること。
• 乳がん診断における医療画像セグメンテーションタスクのモデル選定に、根拠に基づく指針を提供すること。

提案手法

• 生物学的画像セグメンテーションに特化した完全畳み込み型エンコーダデコーダアーキテクチャであるU-Netを採用した。
• 視覚変換器バックボーンとプロンプトベースのセグメンテーションヘッドを備えた、事前学習済みのSegment Anything Model（SAM）を活用した。
• 両モデルを、超音波およびマンモグラフィモodalitiesからのアノテート済み腫瘍領域を含む多様なデータセット上で訓練および評価した。
• セグメンテーション性能を定量化するために、Dice類似係数（DSC）、ジャコビ指数、感度といった標準的な評価指標を適用した。
• 境界が弱い、形状が複雑で、不均一性の高いケースを対象としたアブレーションスタディを実施した。
• 一般化を向上させるために、特にU-Netアーキテクチャにおいて、データオーグメンテーションおよびトランスファー学習技術を用いた。

実験結果

リサーチクエスチョン

• RQ1 U-Netは、超音波およびマンモグラフィ画像における乳腺腫瘍のセグメンテーションにおいて、事前学習済みのSegment Anything Model（SAM）と比べてどのように異なるか？
• RQ2 腫瘍境界の定義や形状の不規則性に関して、U-NetがSAMを上回る状況はどのようなものか？
• RQ3 境界が曖昧であるか、または非常に不均一な腫瘍において、両モデルは悪性腫瘍と良性腫瘍の両方でどのように性能を発揮するか？
• RQ4 微細なセグメンテーションを要する医療画像処理タスクに適用した場合、事前学習済みSAMモデルの限界は何か？
• RQ5 一般的なセグメンテーションモデル（SAMのような）と比較して、U-Netアーキテクチャは多様な腫瘍形態および画像モodalitiesにおいて優れた性能を維持できるか？

主な発見

• U-Netは、超音波およびマンモグラフィデータセットの両方において、事前学習済みSAMモデルよりも顕著に高いDice類似係数（DSC）スコアを達成した。
• U-Netは、不規則な形状、弱い境界、高い不均一性を示す腫瘍のセグメンテーションにおいて優れた性能を示し、これは悪性例に一般的に見られる特徴である。
• 事前学習済みSAMモデルは、特に悪性腫瘍および複雑または境界が不明瞭な物体の腫瘍領域の正確な局在化に苦労した。
• U-Netは良性および悪性腫瘍の両方で一貫した性能を維持しており、腫瘍の病理的特性に対してロバストであることを示した。
• 低コントラストおよびぼやけた縁を示すケースでは、SAMの性能が顕著に低く、微細な医療画像セグメンテーションにおけるその限界を浮き彫りにした。
• 結果から、SAMは一般用途の画像セグメンテーションには有効であるが、正確な医療腫瘍の輪郭指定に必要なインダクティブバイアスおよびアーキテクチャの特化性に欠けていることが示唆された。