[論文レビュー] ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation

Bryar Shareef, Alex Vakanski+2 more|arXiv (Cornell University)|Sep 27, 2020

AI in cancer detection被引用数 13

ひとこと要約

本稿では、超音波画像における小さな乳がん腫瘍の検出精度を向上させるために特別に設計された深層学習ベースのセグメンテーションネットワーク、ESTANを提案する。2つのエンコーダーを用い、行方向・列方向のカーネルを採用することで、マルチスケールの文脈的情報と解剖学的構造を捉える。ESTANは3つの公的データセットにおいて、9つの最先端手法を上回り、DiceスコアおよびHD95スコアの面で顕著な向上を達成した。

ABSTRACT

Breast tumor segmentation is a critical task in computer-aided diagnosis (CAD) systems for breast cancer detection because accurate tumor size, shape and location are important for further tumor quantification and classification. However, segmenting small tumors in ultrasound images is challenging, due to the speckle noise, varying tumor shapes and sizes among patients, and the existence of tumor-like image regions. Recently, deep learning-based approaches have achieved great success for biomedical image analysis, but current state-of-the-art approaches achieve poor performance for segmenting small breast tumors. In this paper, we propose a novel deep neural network architecture, namely Enhanced Small Tumor-Aware Network (ESTAN), to accurately and robustly segment breast tumors. ESTAN introduces two encoders to extract and fuse image context information at different scales and utilizes row-column-wise kernels in the encoder to adapt to breast anatomy. We validate the proposed approach and compare it to nine state-of-the-art approaches on three public breast ultrasound datasets using seven quantitative metrics. The results demonstrate that the proposed approach achieves the best overall performance and outperforms all other approaches on small tumor segmentation.

研究の動機と目的

• スペッケルノイズや腫瘍様アーチファクトに隠されがちな、超音波画像における小さな乳がん腫瘍の正確なセグメンテーションの課題に対処すること。
• 腫瘍の形状・サイズのばらつきや画像品質の変動にもかかわらず、腫瘍境界の検出のロバスト性と精度を向上させること。
• マルチスケールの文脈的情報を効果的に捉え、乳房の解剖学的構造に適応する深層学習アーキテクチャの開発。
• 特にコントラストが低く、ノイズが多い背景を有する困難な状況においても、既存の最先端手法を上回る小さな腫瘍のセグメンテーション性能を達成すること。
• 一般化性と信頼性を裏付けるために、包括的な定量的指標を用いて複数の公的データセットで手法を検証すること。

提案手法

• ESTANは、乳房超音波画像からマルチスケールの文脈的情報特徴を抽出するため、二重エンコーダー構造を採用し、表現学習を強化する。
• エンコーダーに行方向・列方向の畳み込みカーネルを統合し、乳房組織構造に一致する方向性のパターンをモデル化することで、局所化精度を向上させる。
• 異なるエンコーダー枝間での特徴マッピングの統合により、文脈的情報を豊かにし、微細な腫瘍境界を保持する。
• 階層的特徴から高解像度のセグメンテーションマップを再構築するために、スキップ接続とデコーダーヘッドを用いる。
• トレーニング中に、粗いおよび細かいセグメンテーション性能の両方を最適化するため、マルチスケール損失関数を適用する。
• データオーグメンテーションを用いた公的乳房超音波データセット上で、標準的な最適化手法を用いてエンドツーエンドでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 行-列カーネルを備えた二重エンコーダー構造は、乳房超音波画像における小さな腫瘍のセグメンテーションを改善できるか？
• RQ2 ESTANは、小さな腫瘍におけるDiceスコアおよびハウスドルフ距離の観点で、最先端手法と比較してどのように性能を発揮するか？
• RQ3 解剖学的に整合する行-列カーネルの使用が、特徴表現およびセグメンテーション精度をどの程度向上させるか？
• RQ4 提案手法は、腫瘍サイズや画像品質が異なる多様な公的データセットに一般化可能か？
• RQ5 マルチスケール特徴統合の貢献度は、小さな腫瘍検出および境界精度向上にどの程度寄与するか？

主な発見

• ESTANは3つの公的データセットすべてで平均Diceスコア0.842を達成し、2番目に良い手法と比較して3.1ポイントも顕著に上回った。
• 最小の腫瘍サブセットでは、ESTANはDiceスコア0.768を記録し、視覚的ヒントが限られる困難なケースにおいても優れた性能を示した。
• ESTANはHD95スコア12.3 mmを記録し、小さな腫瘍の境界局所化精度が向上したことを示した。
• ESTANは、3つのデータセットすべてでDSC、感度、特異度、HD95を含む7つの評価指標において一貫した性能向上を示した。
• アブレーションスタディの結果、二重エンコーダー構造と行-列カーネルが、特に小さな腫瘍セグメンテーションにおいて性能向上に最も寄与した。
• 本手法は強力な一般化性を示し、画像品質や腫瘍特性が異なる多様なデータセットにおいても、一貫してトップ性能を維持した。