[논문 리뷰] AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms

Hui Sun, Cheng Li외 4명|arXiv (Cornell University)|2018. 10. 24.

AI in cancer detection참고 문헌 76인용 수 18

한 줄 요약

이 논문은 전자 mammogram에서 직접 유방 종양 세분화를 위한 새로운 주의 유도 밀도 업샘플링 네트워크인 AUNet을 제안한다. 수동 또는 자동으로 패치를 추출하는 것을 피하기 위해, 비대칭 인코더-디코더 아키텍처와 주의 유도 밀도 업샘플링 블록(AU 블록)을 통합함으로써 특징 융합을 향상시키고 공간적 세부 정보를 유지한다. AUNet는 CBIS-DDSM에서 81.8%의 Dice 점수, INbreast에서 79.1%의 Dice 점수를 기록하여 최신 기술 수준을 달성한다.

ABSTRACT

Mammography is one of the most commonly applied tools for early breast cancer screening. Automatic segmentation of breast masses in mammograms is essential but challenging due to the low signal-to-noise ratio and the wide variety of mass shapes and sizes. Existing methods deal with these challenges mainly by extracting mass-centered image patches manually or automatically. However, manual patch extraction is time-consuming and automatic patch extraction brings errors that could not be compensated in the following segmentation step. In this study, we propose a novel attention-guided dense-upsampling network (AUNet) for accurate breast mass segmentation in whole mammograms directly. In AUNet, we employ an asymmetrical encoder-decoder structure and propose an effective upsampling block, attention-guided dense-upsampling block (AU block). Especially, the AU block is designed to have three merits. Firstly, it compensates the information loss of bilinear upsampling by dense upsampling. Secondly, it designs a more effective method to fuse high- and low-level features. Thirdly, it includes a channel-attention function to highlight rich-information channels. We evaluated the proposed method on two publicly available datasets, CBIS-DDSM and INbreast. Compared to three state-of-the-art fully convolutional networks, AUNet achieved the best performances with an average Dice similarity coefficient of 81.8% for CBIS-DDSM and 79.1% for INbreast.

연구 동기 및 목표

• 낮은 신호 대 잡음 비율과 다양한 종양 형태 및 크기를 가진 전체 전자 mammogram에서 정확한 유방 종양 세분화를 해결하기 위해.
• 수동 또는 자동으로 영상 패치를 추출하는 것을 제거하여 오류를 유발하고 시간이 오래 걸리는 문제를 해결하기 위해.
• 향상된 업샘플링 및 주의 메커니즘을 통해 세분화 과정에서 특징 표현과 공간적 세부 정보 복구를 향상시키기 위해.
• 패치 기반 전처리 없이 전체 전자 mammogram을 직접 처리할 수 있는 완전 컨volution 네트워크를 개발하기 위해.
• 주목적 기반 업샘플링 블록과 주의 메커니즘, 밀도 연결을 통합하여 기준 데이터셋에서 뛰어난 세분화 성능을 달성하기 위해.

제안 방법

• AUNet는 전체 전자 mammogram으로부터 다중 척도 특징을 효과적으로 캡처하기 위해 비대칭 인코더-디코더 아키텍처를 사용한다.
• 핵심 혁신은 밀도 업샘플링과 채널 주의를 조합하여 정보 손실을 줄이는 주의 유도 밀도 업샘플링 블록(AU 블록)이다.
• AU 블록은 표준 업샘플링 방법보다 고수준 의미 특징과 저수준 공간 세부 정보를 더 효과적으로 융합한다.
• 유용한 특징 채널을 강조하기 위해 채널 주의를 통합하여 표현 품질을 향상시킨다.
• AU 블록 내부의 밀도 스케일 연결은 훈련 중 특징 전파와 기울기 흐름을 향상시킨다.
• 세분화 성능을 최적화하기 위해 이진 교차 엔트로피 손실과 Dice 손실을 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 패치 추출에 의존하지 않고 전체 전자 mammogram에서 유방 종양 세분화를 향상시킬 수 있는 완전 컨볼루션 네트워크가 가능한가?
• RQ2 표준 업샘플링 방식과 비교해 주의 유도 밀도 업샘플링이 특징 복구와 세분화 정확도를 어떻게 향상시키는가?
• RQ3 채널 주의 통합이 종양 세분화에서 특징 맵의 구분 능력을 얼마나 향상시키는가?
• RQ4 공개 전자 mammogram 데이터셋에서 AUNet은 최신 기술 수준의 완전 컨볼루션 네트워크와 어떻게 비교되는가?
• RQ5 제안된 AU 블록은 임상 전자 mammogram에서 다양한 종양 형태, 크기, 노이즈 수준에 대해 일반화 가능한가?

주요 결과

• AUNet는 CBIS-DDSM 데이터셋에서 평균 Dice 유사도 계수 81.8%를 기록하여 세 가지 최신 기술 수준의 완전 컨볼루션 네트워크를 능가했다.
• INbreast 데이터셋에서는 79.1%의 Dice 점수를 기록하여 다양한 영상 프로토콜과 종양에 대해 강력한 일반화 능력을 보였다.
• 절단 실험을 통해 AU 블록의 각 구성 요소—밀도 업샘플링, 주의 메커니즘, 특징 융합—이 성능 향상에 기여했음을 확인했다.
• 네트워크는 전자 mammogram에서 흔히 볼 수 있는 저대비 및 노이즈가 많은 영역에 대해 강건성을 보이며 종양의 미세 경계를 유지했다.
• 주의 메커니즘이 효과적으로 정보가 풍부한 채널을 강조하여 복잡한 해부학적 영역에서 세분화 정확도를 향상시켰다.
• AUNet의 전체 전자 mammogram 직접 추론 기능은 패치 기반 접근 방식과 관련된 오류 전파 문제를 제거했다.