[논문 리뷰] Automated Breast Lesion Segmentation in Ultrasound Images

Ibrahim Sadek, Mohamed Elawady외 1명|arXiv (Cornell University)|2013. 01. 01.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 중앙값 필터링, 정규화 컷을 통한 분할, 그리고 윤곽선 선택을 통한 K-means 클러스터링을 활용한 후처리를 포함하는 세 단계 자동화된 초음파 영상에서 유방 병변을 분할하는 방법을 제안한다. 이 방법은 0.8133의 평균 Dice 계수와 0.6853의 Jaccard 지수를 달성하여, 스펙클 노이즈와 낮은 대비성으로 인한 과제에도 불구하고 다양한 데이터셋에서 강력한 성능을 보였다.

ABSTRACT

The main objective of this project is to segment different breast ultrasound images to find out lesion area by discarding the low contrast regions as well as the inherent speckle noise. The proposed method consists of three stages (removing noise, segmentation, classification) in order to extract the correct lesion. We used normalized cuts approach to segment ultrasound images into regions of interest where we can possibly finds the lesion, and then K-means classifier is applied to decide finally the location of the lesion. For every original image, an annotated ground-truth image is given to perform comparison with the obtained experimental results, providing accurate evaluation measures.

연구 동기 및 목표

• 초음파 영상에서 유방 병변을 자동으로 분할하여 암 조기 검출을 지원하는 방법을 개발한다.
• 초음파 영상에서 고유한 낮은 대비 영역과 스펙클 노이즈로 인한 과제를 해결한다.
• 사전 처리, 정규화 컷 분할, K-means 후처리를 조합하여 분할 정확도를 향상시킨다.
• 기준 영상(annotation)과 비교하여 Dice 및 Jaccard 계수와 같은 표준 지표를 사용해 성능을 평가한다.
• 임상 의사결정 지원을 위해 병변 탐지의 오진률과 간과율을 감소시킨다.

제안 방법

• 사전 처리는 노이즈 감소 및 영상 품질 향상을 위해 중앙값 필터링과 함께 히스토GRAM 균형화 또는 대trast 조정을 통한 선택적 강도 향상 기법을 포함한다.
• 분할은 그래프 기반 유사성에 기반해 영상을 영역으로 분할하는 정규화 컷 알고리즘을 사용하여 수행되며, 네 개의 후보 분할 영상 결과를 생성한다.
• 후처리는 각 정규화 컷 결과에 대해 K-means 클러스터링을 적용하여 전경(병변) 및 배경 클러스터를 분리한다.
• 윤곽선 길이가 가장 짧은 영역이 병변으로 식별되며, 이는 병변의 밀도와 해부학적 타당성을 보장한다.
• K-means가 단일 클러스터만 생성하는 경우, 병변 영역을 추출하기 위해 Otsu-Thresholding를 보조적으로 적용한다.
• 성능 평가는 기준 영상 annotation을 기반으로 하며, Dice 및 Jaccard 계수를 통해 측정된다.

실험 결과

연구 질문

• RQ1 정규화 컷이 낮은 대비성과 스펙클 노이즈가 있는 초음파 영상에서 병변을 효과적으로 분할할 수 있는가?
• RQ2 K-means 클러스터링과 윤곽선 선택의 통합이 병변 국소화 정확도를 어떻게 향상시키는가?
• RQ3 사전 처리 단계(예: 중앙값 필터링, 히스토GRAM 균형화)가 분할 성능에 어떤 영향을 미치는가?
• RQ4 기존의 활성 윤곽선 또는 영역 성장 기법과 비교하여, 제안된 방법이 도전적인 초음파 조건에서 어떻게 성능을 내는가?
• RQ5 이 방법은 다양한 병변 크기와 영상 품질에 대해 얼마나 일반화되는가?

주요 결과

• 20장의 초음파 영상에서 평균 Dice 계수는 0.8133, 평균 Jaccard 지수는 0.6853로, 강력한 분할 성능을 보였다.
• 20장의 영상 중 16장이 성공적으로 분할되었으며, 나머지 4장은 병변 크기가 작거나 노이즈가 심해 성능이 열악했다.
• 최고의 Dice 점수는 0.9368(영상 000002), 최저는 0.0699(영상 000046)였으며, 이는 병변의 가시성 변동성을 반영한다.
• 성공적으로 분할된 영상에서는 오진률과 간과율이 낮았으며, 특히 첫 번째 클래스(분할이 쉬운 케이스)에서 두드러졌다.
• 평균 처리 시간은 10.50초/영상이며, 표준편차는 1.89초로, 중간 수준의 처리 효율성을 보였다.
• 세 장의 영상(000019, 000014, 000030)에서 Dice 및 Jaccard 점수가 모두 0으로 실패했으며, 주로 병변이 배경과 융합되거나 노이즈에 의해 가려져서 발생했다.