[論文レビュー] Conditional Generative Adversarial and Convolutional Networks for X-ray Breast Mass Segmentation and Shape Classification

Vivek Kumar Singh, Santiago Romaní+10 more|arXiv (Cornell University)|May 25, 2018

AI in cancer detection参考文献 14被引用数 5

ひとこと要約

本稿では、X線乳房マスの正確なセグメンテーションおよびその後の形状分類を目的として、U-Netおよびオートエンコーダー構造を組み合わせた条件付き生成対抗ネットワーク（cGAN）を提案する。cGANフレームワークは、正解マスクとの対抗的一致性を強制することでセグメンテーション性能を向上させ、公開および非公開データセットで94%以上のDiceスコアおよび89%以上のJaccardスコアを達成した。別途、分類用のCNNを用いて、セグメンテーション済みマスを4種類の形状タイプ（不規則、ラベル状、楕円形、円形）に分類し、72%の精度を達成した。

ABSTRACT

This paper proposes a novel approach based on conditional Generative Adversarial Networks (cGAN) for breast mass segmentation in mammography. We hypothesized that the cGAN structure is well-suited to accurately outline the mass area, especially when the training data is limited. The generative network learns intrinsic features of tumors while the adversarial network enforces segmentations to be similar to the ground truth. Experiments performed on dozens of malignant tumors extracted from the public DDSM dataset and from our in-house private dataset confirm our hypothesis with very high Dice coefficient and Jaccard index (>94% and >89%, respectively) outperforming the scores obtained by other state-of-the-art approaches. Furthermore, in order to detect portray significant morphological features of the segmented tumor, a specific Convolutional Neural Network (CNN) have also been designed for classifying the segmented tumor areas into four types (irregular, lobular, oval and round), which provides an overall accuracy about 72% with the DDSM dataset.

研究の動機と目的

• 低コントラストでノイズの多いマンモグラム、限られたトレーニングデータを前提とした正確な乳房マスのセグメンテーションに取り組む。
• 対抗的トレーニングにより現実的で境界に忠実なセグメンテーションを強制する条件付きGANを活用し、セグメンテーションのロバスト性を向上させる。
• 腫瘍領域を4つの形態的形状タイプ（不規則、ラベル状、楕円形、円形）に分類し、分子サブタイプとの中間的相関を検討する。
• FCN、U-Net、CRFCNNと比較して、cGANベースのセグメンテーションの性能を公開（DDSM）および非公開の自社内データセットで評価する。
• 非公開の臨床データセットを用いて、腫瘍形状と分子サブタイプ（Luminal-A/B、HER-2、基底様）との相関を調査する。

提案手法

• 生成器が入力のマンモグラムROIクロップを条件として、乳房マスのバイナリマスクを生成する条件付きGANフレームワークを採用する。
• 生成器ネットワークは、エンコーダー特徴抽出とスキップ接続（またはスキップ接続なし）を組み合わせたU-Netまたはオートエンコーダー構造として実装する。
• 識別器ネットワークは、生成マスクと正解マスクを比較することで、現実的で正確なセグメンテーション境界を強制する。
• 生成器の最適化には、対抗的損失に加え、バイナリクロスエントロピー損失とL1損失を組み合わせる。これにより、セグメンテーションの忠実度が向上する。
• 生成マスク内の小さなアーティファクトを除去するために、後処理として形態的フィルタリング（収縮と拡張）を適用する。
• バイナリマスクを入力として用い、10分割交差検証を用いて、分離された軽量CNNを訓練し、腫瘍形状を4つのカテゴリに分類する。

実験結果

リサーチクエスチョン

• RQ1 限られたトレーニングデータにおいて、条件付きGANアーキテクチャが乳房マスのセグメンテーション精度を向上させることができるか？
• RQ2 cGAN生成器におけるスキップ接続の有無（U-Net対オートエンコーダー）が、公開および非公開データセットにおけるセグメンテーション性能に与える影響は何か？
• RQ3 提案されたcGANベースのセグメンテーションパイプラインは、FCN、U-Net、CRFCNNといったSOTAモデルを上回る性能を示すのか（DiceおよびJaccardスコアの観点から）？
• RQ4 シンプルなCNNは、バイナリマスクから高精度で腫瘍形状を分類することができるか？
• RQ5 臨床データにおいて、腫瘍形状（不規則、ラベル状、楕円形、円形）と分子サブタイプ（Luminal-A/B、HER-2、基底様）との間に統計的に有意な相関が認められるか？

主な発見

• cGAN-Unetモデルは、DDSMテストセットでDice係数95.55%、Jaccardインデックス86.48%を達成し、FCN、U-Net、CRFCNNを上回った。
• 非公開の自社内データセットでは、cGAN-AutoEncがDiceスコア94.81%、Jaccardスコア80.08%を記録し、感度97.26%を示しており、腫瘍領域の検出に優れた性能を示した。
• DDSMデータセットにおいて、cGANモデルはベースラインのFCNと比較して、Diceスコアで+6%、Jaccardスコアで+9%の向上を達成した。
• 形状分類用のCNNは、10分割交差検証を用いてDDSMデータセットで全体の分類精度72%を達成した。
• 非公開データセットでは、Luminal-AおよびLuminal-Bサブタイプが主に不規則形およびラベル状形と関連づけられ、一方、楕円形および円形はHER-2および基底様サブタイプと多く関連づけられた。
• cGAN-AutoEncモデルは、cGAN-Unetよりも非公開データセットでより優れた汎化性能を示しており、データが限られた状況下でよりロバストな腫瘍特徴を学習できる可能性を示唆している。