[논문 리뷰] AAU-net: An Adaptive Attention U-net for Breast Lesions Segmentation in Ultrasound Images

Gongping Chen, Yu Dai외 2명|arXiv (Cornell University)|2022. 04. 26.

AI in cancer detection인용 수 11

한 줄 요약

이 논문은 초음파 영상에서 유방 병변 분할을 향상시키기 위해 채널 및 공간 자기주의 주의 메커니즘을 통합한 하이브리드 적응형 주의 모듈을 갖춘 새로운 U-Net 아키텍처인 AAU-net을 제안한다. 채널과 공간 차원에서 강력한 특징을 적응적으로 학습함으로써, AAU-net은 세 가지 공개 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하여 기존 방법에 비해 뛰어난 정확도와 일반화 능력을 입증한다.

ABSTRACT

Various deep learning methods have been proposed to segment breast lesion from ultrasound images. However, similar intensity distributions, variable tumor morphology and blurred boundaries present challenges for breast lesions segmentation, especially for malignant tumors with irregular shapes. Considering the complexity of ultrasound images, we develop an adaptive attention U-net (AAU-net) to segment breast lesions automatically and stably from ultrasound images. Specifically, we introduce a hybrid adaptive attention module, which mainly consists of a channel self-attention block and a spatial self-attention block, to replace the traditional convolution operation. Compared with the conventional convolution operation, the design of the hybrid adaptive attention module can help us capture more features under different receptive fields. Different from existing attention mechanisms, the hybrid adaptive attention module can guide the network to adaptively select more robust representation in channel and space dimensions to cope with more complex breast lesions segmentation. Extensive experiments with several state-of-the-art deep learning segmentation methods on three public breast ultrasound datasets show that our method has better performance on breast lesion segmentation. Furthermore, robustness analysis and external experiments demonstrate that our proposed AAU-net has better generalization performance on the segmentation of breast lesions. Moreover, the hybrid adaptive attention module can be flexibly applied to existing network frameworks.

연구 동기 및 목표

• 유방 병변 분할의 과제를 해결하기 위해, 유사한 강도 분포, 변동성이 있는 형태학적 특성, 흐린 경계 등의 문제를 다루기 위해.
• 기존의 컨volution 대신 적응형 주의 메커니즘을 도입하여 복잡한 초음파 영상에서 특징 표현을 향상시키기 위해.
• 양성 및 악성 종양 모두의 분할 정확도를 향상시키기 위해 유연하고 일반화 능력이 뛰어난 딥 러닝 프레임워크를 개발하기 위해.
• 입력 특성에 따라 채널 및 공간 차원에서 관련 특징에 동적으로 집중할 수 있도록 네트워크를 설계하기 위해.

제안 방법

• 제안된 AAU-net은 표준 컨볼루션 레이어를 채널과 공간 자기주의 주의 블록을 조합한 하이브리드 적응형 주의 모듈로 대체한다.
• 채널 자기주의 주의 블록은 특징 채널 간의 주의 가중치를 계산하여 정보가 풍부한 채널을 강조한다.
• 공간 자기주의 주의 블록은 특징 맵 내에서 관련 영역을 강조하기 위해 공간 주의 맵을 계산한다.
• 두 주의 모듈은 적응적으로 융합되어 입력에 따라 동적으로 특징 학습을 유도한다.
• 분할 성능을 최적화하기 위해 이진 교차 엔트로피 손실과 DICE 손실을 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.
• 하이브리드 주의 모듈은 플러그 앤 플레이 방식으로 설계되어 기존 U-Net 아키텍처에 쉽게 통합할 수 있다.

실험 결과

연구 질문

• RQ1 하이브리드 적응형 주의 메커니즘이 초음파 영상에서 유방 병변 분할을 위한 특징 표현을 향상시킬 수 있는가?
• RQ2 제안된 AAU-net이 공개 초음파 영상 분할 벤치마크에서 기존 최신 기술 수준의 방법을 초월하는가?
• RQ3 적응형 주의 메커니즘이 변동성이 있는 종양 형태학적 특성과 흐린 경계에 대해 어떻게 강건성을 향상시키는가?
• RQ4 하이브리드 주의 모듈이 다양한 초음파 영상 특성에 얼마나 잘 일반화되는가?

주요 결과

• AAU-net은 세 가지 공개 초음파 영상 유방 병변 데이터셋에서 최신 기술 수준의 성능을 달성하여 기존 딥 러닝 분할 방법을 모두 압도한다.
• 모델은 다양한 데이터셋과 외부 검증 세트에서 일관된 성능 향상을 보이며 뛰어난 일반화 능력을 입증한다.
• 강건성 분석 결과, AAU-net은 영상 품질 변동성과 병변 외관의 다양성에 덜 민감한 것으로 확인된다.
• 하이브리드 적응형 주의 모듈은 입력 콘텐츠에 따라 관련 채널과 공간 영역을 동적으로 강조함으로써 특징 학습을 향상시킨다.