[論文レビュー] Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation

Xin Yue, Xiaoling Liu+6 more|arXiv (Cornell University)|Nov 18, 2023

AI in cancer detection被引用数 5

ひとこと要約

本論文は、画像レベルのアノテーションのみを用いて、超音波画像における弱教師付き乳がん病変分類を実現する、形態特徴を強化したCAM誘導型SAMフレームワークを提案する。病変の形態に関する事前知識と、クラス活性化マップ（CAM）に基づく局在化を統合し、Segment-Anything-Model（SAM）を用いて予測を精緻化することで、Diceスコア74.39%を達成し、境界精度において教師ありおよび弱教師ありのベースラインを上回る性能を示した。

ABSTRACT

Ultrasound imaging plays a critical role in the early detection of breast cancer. Accurate identification and segmentation of lesions are essential steps in clinical practice, requiring methods to assist physicians in lesion segmentation. However, ultrasound lesion segmentation models based on supervised learning require extensive manual labeling, which is both time-consuming and labor-intensive. In this study, we present a novel framework for weakly supervised lesion segmentation in early breast ultrasound images. Our method uses morphological enhancement and class activation map (CAM)-guided localization. Finally, we employ the Segment Anything Model (SAM), a computer vision foundation model, for detailed segmentation. This approach does not require pixel-level annotation, thereby reducing the cost of data annotation. The performance of our method is comparable to supervised learning methods that require manual annotations, achieving a Dice score of 74.39% and outperforming comparative supervised models in terms of Hausdorff distance in the BUSI dataset. These results demonstrate that our framework effectively integrates weakly supervised learning with SAM, providing a promising solution for breast cancer image analysis. The code for this study is available at: https://github.com/YueXin18/MorSeg-CAM-SAM.

研究の動機と目的

• 乳がん超音波画像における高コストなピクセルレベルアノテーションへの依存を低減すること。
• 早期乳がん検出における不規則で小さな病変の分類精度を向上させること。
• 医学的事前知識（病変の形態）と深層学習ベースの局在化（CAM）および基盤モデル（SAM）を統合すること。
• リソース制限のある臨床現場における一次スクリーニングに実用的で低リソースなソリューションを開発すること。
• 境界精度およびトポロジーの正確性において、既存の弱教師ありおよび教師あり手法を上回ること。

提案手法

• 解剖学的事前知識を用いて病変の輪郭を抽出する、形態に配慮した分類モジュールから開始する。
• 事前学習済み分類ネットワークが、意味的特徴に基づいて病変領域を局在化するクラス活性化マップ（CAM）を生成する。
• 形態マップとCAMを統合し、Segment-Anything-Model（SAM）を誘導するハイブリッドプロンプトを生成する。
• SAMが、ゼロショット一般化能力を活用して、統合プロンプトを用いて精緻な高精度分類を実行する。
• トポロジー的な誤りを是正し、マスクの接続性および滑らかさを向上させるための後処理を実施する。
• フレームワークは画像レベルラベルのみを用い、ピクセルレベルアノテーションの必要性を排除する。

Figure 1: The proposed framework of our model consists of four key stages: Initially, we conduct preliminary image segmentation focusing on morphological features. This is followed by the generation of a heatmap for lesion localization using a CAM-based classification network. Subsequently, we proce

実験結果

リサーチクエスチョン

• RQ1 病変の形態に関する事前知識とCAMベースの局在化を統合することで、乳がん超音波画像における弱教師付き分類性能が向上するか？
• RQ2 形態とCAM特徴の統合は、SAMベースの分類性能をどのように向上させるか？
• RQ3 弱教師ありフレームワークは、画像レベルラベルのみを用いて、教師ありモデルと同等の結果を達成できるか？
• RQ4 医学的事前知識の統合により、高コストなピクセルレベルアノテーションへの依存が低下するか？
• RQ5 最先端の教師ありおよび弱教師ありモデルと比較して、本手法の境界精度および病変輪郭回復性能はどのように異なるか？

主な発見

• 提案手法は、BUSIテストセットにおいてDiceスコア74.39%を達成し、教師あり手法と同等の強力な性能を示した。
• 本手法はHausdorff距離（HD95）24.27を達成し、Deeplabv3+（32.22）を顕著に上回り、優れた境界局在性能を示した。
• フレームワークは、小さな病変および不規則な形状の病変を効果的に分類し、輪郭精度においてUNetやDeeplabv3+を上回った。
• アブレーションスタディにより、各構成要素（形態、CAM、SAM）が最終性能に顕著な寄与をしていることが確認された。
• 非病変領域をフィルタリングすることで、誤検出の分類を低減し、バックグラウンドノイズに対してより高い耐性を示した。
• ノイズやぼやけた境界に対しても本手法は頑健であり、後処理によりSAMが引き起こすトポロジー的アーチファクトが効果的に是正された。

Figure 2: Model architecture of DenseNet-121.