[論文レビュー] Fully automatic computer-aided mass detection and segmentation via pseudo-color mammograms and Mask R-CNN

Hang Min, Devin Wilson+5 more|arXiv (Cornell University)|Jun 28, 2019

AI in cancer detection参考文献 17被引用数 5

ひとこと要約

本稿では、擬似色変換とMask R-CNNを用いて、マンモグラムにおける乳腺マスを同時に検出およびセグメンテーションする完全自動のコンピュータ支援診断（CAD）システムを提示する。マスクR-CNNに転移学習を適用する前に、マルチスケールの形態的ふnowingを用いてマス様パターンを強調することで、INbreastデータセット上で1画像あたり0.9個の誤検出で90%の真正陽性率を達成し、セグメンテーションのDice類似係数は0.88を記録した。

ABSTRACT

Mammographic mass detection and segmentation are usually performed as serial and separate tasks, with segmentation often only performed on manually confirmed true positive detections in previous studies. We propose a fully-integrated computer-aided detection (CAD) system for simultaneous mammographic mass detection and segmentation without user intervention. The proposed CAD only consists of a pseudo-color image generation and a mass detection-segmentation stage based on Mask R-CNN. Grayscale mammograms are transformed into pseudo-color images based on multi-scale morphological sifting where mass-like patterns are enhanced to improve the performance of Mask R-CNN. Transfer learning with the Mask R-CNN is then adopted to simultaneously detect and segment masses on the pseudo-color images. Evaluated on the public dataset INbreast, the method outperforms the state-of-the-art methods by achieving an average true positive rate of 0.90 at 0.9 false positive per image and an average Dice similarity index of 0.88 for mass segmentation.

研究の動機と目的

• 手動による介入なしに、マス検出とセグメンテーションを両方実行できる完全統合的かつエンドツーエンドのコンピュータ支援診断システムの開発を目的とする。
• 従来の手法が検出とセグメンテーションを別々で順次処理するという制限を克服することを目的とする。
• グレースケールマンモグラムにおけるマス様パターンを、擬似色変換によって強化することで、検出およびセグメンテーションの性能を向上させることを目的とする。
• 擬似色画像上で、マスクR-CNNを用いた転移学習を活用し、インスタンスレベルでの同時検出とセグメンテーションを実現することを目的とする。
• 公開されているINbreastデータセット上で本手法を評価し、最先端の性能を示すことを目的とする。

提案手法

• マルチスケールの形態的ふnowingを用いて、グレースケールマンモグラムをマス様構造を強調する擬似色画像に変換する。
• マスに関連するテクスチャおよび強度の変動を増幅する擬似色変換を適用する。
• 擬似色画像上で、ファインチューニングされた転移学習を用いたマスクR-CNNを用いて、検出とインスタンスセグメンテーションを同時に実行する。
• 変換された画像上でマスクR-CNNモデルをエンドツーエンドに訓練し、マスのバウンディングボックスとセグメンテーションマスクを予測する。
• 小さなおよび微細なマスパターンへの感受性を向上させるために、マルチスケール特徴抽出戦略を採用する。
• セグメンテーション精度の評価に、Dice類似係数を主な指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 完全自動のCADシステムは、ユーザーの介入なしに、マス検出およびセグメンテーションの両面で高い性能を達成できるか？
• RQ2 形態的ふnowingに基づく擬似色変換は、マンモグラムにおけるマス様パターンの検出可能性を向上させるか？
• RQ3 転移学習を用いたマスクR-CNNは、擬似色画像上で、同時に検出とセグメンテーションを効果的に行えるか？
• RQ4 本手法は、検出およびセグメンテーション性能の観点から、最先端のアプローチと比較して優れているか？
• RQ5 マルチスケールの形態的ふnowingは、マス検出のロバスト性および感受性にどのような影響を与えるか？

主な発見

• 提案手法は、INbreastデータセット上で1画像あたり0.9個の誤検出で90%の真正陽性率を達成し、最先端の手法を上回った。
• マスセグメンテーションの平均Dice類似係数は0.88に達し、予測マスクと正解マスクの重複度が非常に高いことを示している。
• 擬似色変換の統合により、微細なマス様パターンの可視性が顕著に向上し、モデルの一般化性能が向上した。
• マスクR-CNNを用いた転移学習の活用により、別々の学習段階を必要とせず、効果的な同時検出とセグメンテーションが実現された。
• 本手法は、さまざまなマンモグラムの視野やマスの特徴（小さなものや不規則な形状のもの）に対しても、ロバストな性能を示した。
• 統合されたディープラーニングフレームワークを用いた同時検出とセグメンテーションが、直列処理に比べて効率性と正確性の両面で優れていることが確認された。