[論文レビュー] Fuzzy Semantic Segmentation of Breast Ultrasound Image with Breast Anatomy Constraints

Kuan Huang, Yingtao Zhang+3 more|arXiv (Cornell University)|Sep 14, 2019

AI in cancer detection参考文献 40被引用数 7

ひとこと要約

本稿では、柔鈎論理と完全畳み込みネットワーク（FCN）を統合し、条件付きランダムフィールド（CRF）を介して乳房解剖学的制約を組み込んだ、乳房超音波（BUS）画像向けのファジィ意味的セグメンテーションフレームワークを提案する。画像コントラストの向上、ウェーブレットベースの増幅、特徴量におけるファジィ所属関数の適用により、腫瘍セグメンテーションにおいて90.33%のTPR、9.00%のFPR、81.29%のIoUという最先端の性能を達成した。また、腫瘍を含まないケースや複数腫瘍を含むケースにおいても、複数の組織層を正確にセグメンテーションできる。

ABSTRACT

Breast cancer is one of the most serious disease affecting women's health. Due to low cost, portable, no radiation, and high efficiency, breast ultrasound (BUS) imaging is the most popular approach for diagnosing early breast cancer. However, ultrasound images are low resolution and poor quality. Thus, developing accurate detection system is a challenging task. In this paper, we propose a fully automatic segmentation algorithm consisting of two parts: fuzzy fully convolutional network and accurately fine-tuning post-processing based on breast anatomy constraints. In the first part, the image is preprocessed by contrast enhancement, and wavelet features are employed for image augmentation. A fuzzy membership function transforms the augmented BUS images into fuzzy domain. The features from convolutional layers are processed using fuzzy logic as well. The conditional random fields (CRFs) post-process the segmentation result. The location relation among the breast anatomy layers is utilized to improve the performance. The proposed method is applied to the dataset with 325 BUS images, and achieves state-of-art performance compared with that of existing methods with true positive rate 90.33%, false positive rate 9.00%, and intersection over union (IoU) 81.29% on tumor category, and overall intersection over union (mIoU) 80.47% over five categories: fat layer, mammary layer, muscle layer, background, and tumor.

研究の動機と目的

• 腫瘍画像の品質が低く、ノイズやスペックルアーチファクトが生じる乳房超音波（BUS）画像における正確なセグメンテーションを妨げる課題に対処すること。
• 生画像および特徴マップにおける不確実性をファジィ論理でモデル化することで、BUS画像における意味的セグメンテーションの耐性を向上させること。
• 後処理段階に、脂肪層、乳腺層、筋肉層、背景、腫瘍などの乳房組織層の解剖学的制約を組み込むことで、セグメンテーションの正確性を向上させること。
• 小規模データセットでも良好に動作し、多様な画像品質や腫瘍構成に一般化できる完全自動化手法を開発すること。
• 既存の手法が処理できない、腫瘍を含まない画像や複数の腫瘍を含む画像のような複雑なケースにおいても、正確なセグメンテーションを可能にすること。

提案手法

• コントラスト強調とウェーブレットベースの特徴増幅を用いて、BUS画像を前処理し、テクスチャおよび強度の一貫性を向上させる。
• 畳み込み層からの増幅画像および特徴マップを、不確実性をモデル化するためのファジィ所属関数を用いてファジィドメインに変換する。
• ファジィ論理を用いた頑健な特徴表現を活用し、初期セグメンテーションマップを生成するファジィ完全畳み込みネットワーク（fuzzy FCN）を採用する。
• 乳房組織層（例：脂肪層が乳腺層に隣接するなど）の空間的関係を具体的に制約として取り入れた、解剖学的制約付きの条件付きランダムフィールド（CRF）を適用し、セグメンテーション結果を精緻化する。
• 乳房解剖学的知識を事前知識としてエンコードする多クラスCRFモデルを用い、ピクセル単位の分類をガイドし、構造的妥当性を強制する。
• データ適合性と解剖学的整合性の両立を図る共同最適化により、セグメンテーション出力を微調整し、IoUを向上させるとともに、誤検出を低減する。

実験結果

リサーチクエスチョン

• RQ1 ファジィ論理は、低品質なBUS画像における不確実性を効果的にモデル化でき、従来のディープラーニング手法と比較してセグメンテーションの耐性を向上させることができるか？
• RQ2 CRFの後処理段階に乳房組織層の解剖学的制約を統合することで、セグメンテーションの正確性と一般化性能にどのような影響を与えるか？
• RQ3 本手法は、大規模な再トレーニングを要せず、小規模データセットでも高い性能を発揮し、多様な画像取得条件に一般化できるか？
• RQ4 既存の完全自動手法が処理できない、腫瘍を含まない画像や複数の腫瘍を含む画像のような挑戦的ケースにおいて、本手法はどのように性能を発揮するか？
• RQ5 ファジィ特徴量と解剖学的認識を持つCRFの使用により、非ファジィまたは制約なしのベースラインと比較して、IoUはどの程度向上し、誤検出率はどの程度低減されるか？

主な発見

• 本手法は、腫瘍セグメンテーションにおいて90.33%の真正陽性率（TPR）と9.00%の偽陽性率（FPR）を達成し、既存の準自動および完全自動手法を上回る性能を示した。
• 腫瘍セグメンテーションにおける交差率（IoU）は81.29%であり、脂肪層、乳腺層、筋肉層、背景、腫瘍の5つのカテゴリの平均IoU（mIoU）は80.47%であった。
• 腫瘍を含まない画像においても、本手法はすべての組織層を正しくセグメンテーションできたが、従来の完全自動手法は背景を腫瘍と誤ってラベル付けし、偽陽性を生じさせていた。
• 本手法は複数腫瘍ケースにも良好に一般化し、1枚の画像に2つの腫瘍を正しく同定・セグメンテーションできた。一方、既存手法は1枚あたり1つの腫瘍しか検出できなかった。
• ファジィ論理と解剖学的認識を持つCRFの統合により、特にコントラストが低くノイズが多い画像において、耐性と正確性が顕著に向上した。
• 325枚のBUS画像からなる比較的小規模なデータセットでも、本手法は優れた性能を示し、強力な一般化能力と低いデータ依存性を示した。