[論文レビュー] Pectoral Muscles Suppression in Digital Mammograms using Hybridization of Soft Computing Methods

I. Laurence Aroquiaraj, K. Thangavel|arXiv (Cornell University)|Jan 5, 2014

AI in cancer detection参考文献 4被引用数 3

ひとこと要約

本論文では、連結成分ラベリング（CCL）、ファジィ論理、および直線検出を組み合わせたハイブリッドソフトコンピューティング手法を提案し、デジタルマンモグラムのメディオラル・オブリクス（MLO）視野における胸筋の抑制を実現する。この手法は、322枚のMIASデータベース画像において96％を超える適切またはそれ以上の曲線セグメンテーション精度を達成し、画像解析における乳腺領域の分析を向上させるために、最先端の技術を上回る性能を示した。

ABSTRACT

Breast region segmentation is an essential prerequisite in computerized analysis of mammograms. It aims at separating the breast tissue from the background of the mammogram and it includes two independent segmentations. The first segments the background region which usually contains annotations, labels and frames from the whole breast region, while the second removes the pectoral muscle portion (present in Medio Lateral Oblique (MLO) views) from the rest of the breast tissue. In this paper we propose hybridization of Connected Component Labeling (CCL), Fuzzy, and Straight line methods. Our proposed methods worked good for separating pectoral region. After removal pectoral muscle from the mammogram, further processing is confined to the breast region alone. To demonstrate the validity of our segmentation algorithm, it is extensively tested using over 322 mammographic images from the Mammographic Image Analysis Society (MIAS) database. The segmentation results were evaluated using a Mean Absolute Error (MAE), Hausdroff Distance (HD), Probabilistic Rand Index (PRI), Local Consistency Error (LCE) and Tanimoto Coefficient (TC). The hybridization of fuzzy with straight line method is given more than 96% of the curve segmentations to be adequate or better. In addition a comparison with similar approaches from the state of the art has been given, obtaining slightly improved results. Experimental results demonstrate the effectiveness of the proposed approach.

研究の動機と目的

• デジタルマンモグラムにおける乳腺領域セグメンテーションを向上させることを目的とし、特にメディオラル・オブリクス（MLO）視野において胸筋を正確に抑制すること。
• その後続のコンピュータ支援診断（CAD）システムの性能を向上させるために、胸筋境界を検出する堅牢で自動化された手法を開発すること。
• 不審な病変を隠蔽し、自動分析ツールの性能を低下させる可能性がある胸筋の干渉を低減すること。
• 複数の定量的指標を用いて、提案手法を既存の最先端手法と比較して評価すること。
• MIASデータベースの多様なマンモグラム画像において、信頼性の高い一貫性のあるセグメンテーションを保証すること。

提案手法

• 本手法は、特に胸筋領域を対象として、マンモグラム内の関心領域を特定・分離するために連結成分ラベリング（CCL）を用いる。
• 境界検出における不確実性をモデル化するためにファジィ論理を適用し、不規則な縁を持つ胸筋のセグメンテーションを滑らかでより正確に実現する。
• 幾何的制約に基づき、主な方向性と胸筋の概ねの輪郭を推定するために直線検出技術を用いる。
• CCL、ファジィ論理、および直線検出の3つの技術をハイブリダイズし、領域ベース、境界ベース、幾何的情報を統合することで、相乗効果的にセグメンテーション精度を向上させる。
• ハイブリッド出力は、平均絶対誤差（MAE）、ハウスドルフ距離（HD）、確率的ランドインデックス（PRI）、局所的一致性誤差（LCE）、およびタニモト係数（TC）といった複数の評価指標を用いて検証される。
• アルゴリズムは、一般化性と耐障害性を確認するため、マンモグラフィック・イメージ・アナリシス・ソサエティ（MIAS）データベースの322枚のデジタルマンモグラム画像でテストされた。

実験結果

リサーチクエスチョン

• RQ1 CCL、ファジィ論理、および直線検出を組み合わせたハイブリッドソフトコンピューティング手法は、MLO視野マンモグラムにおける胸筋の抑制に効果的に機能するか？
• RQ2 提案手法は、既存の最先端の胸筋抑制技術と比較して、セグメンテーション精度においてどのように差をつけるか？
• RQ3 ノイズや不規則な筋肉の輪郭が存在する状況下で、ファジィ論理の統合が境界検出にどの程度向上効果をもたらすか？
• RQ4 322枚のマンモグラム画像からなる大規模で多様なデータセットにおいて、本手法の性能はいかがなものか？
• RQ5 複数の定量的評価指標を用いて、本手法が一貫性があり信頼性のあるセグメンテーション結果を達成できるか？

主な発見

• ファジィ論理と直線検出手法のハイブリダイズにより、MIASデータセットにおける曲線セグメンテーションの96％以上が「適切」またはそれ以上の水準に分類された。
• 本手法は、複雑で不規則な胸筋境界を扱う場合に、既存の最先端手法を上回る優れた性能を示した。
• 平均絶対誤差（MAE）およびハウスドルフ距離（HD）指標により、境界の局所化が高精度で実現されており、正確なセグメンテーションが確認された。
• 確率的ランドインデックス（PRI）およびタニモト係数（TC）の値から、セグメンテーション結果と正解境界との間に強い一致が確認され、高いセグメンテーションの一貫性が示された。
• 局所的一致性誤差（LCE）が最小限に抑えられ、本手法が乳腺領域の局所的構造的詳細を保持する耐障害性を有していることが確認された。
• MIASデータベースの322枚の画像にわたる包括的な評価により、本手法の信頼性とスケーラビリティが確認され、臨床応用への統合が可能であることが示された。