[논문 리뷰] Breast mass segmentation based on ultrasonic entropy maps and attention gated U-Net

Michał Byra, Piotr Jarosik외 5명|arXiv (Cornell University)|2020. 01. 27.

AI in cancer detection인용 수 7

한 줄 요약

이 논문은 표준 초음파(US) 영상 대신 초음파 엔트로피 지도를 사용하여 초음파 영상에서 유방 종양 세그멘테이션을 위한 새로운 딥러닝 접근법을 제안한다. 원시 US 신호에서 유도된 엔트로피 지도를 기반으로 주의 메커니즘을 갖춘 U-Net을 훈련시켜 평균 DICE 스코어 0.60을 달성하였으며, 이는 표준 US 영상 기반 모델(0.53)보다 유의하게 높다. 이는 매개변수 지도가 경계 시각화를 향상시켜 세그멘테이션 정확도를 향상시킬 수 있음을 시사한다.

ABSTRACT

We propose a novel deep learning based approach to breast mass segmentation in ultrasound (US) imaging. In comparison to commonly applied segmentation methods, which use US images, our approach is based on quantitative entropy parametric maps. To segment the breast masses we utilized an attention gated U-Net convolutional neural network. US images and entropy maps were generated based on raw US signals collected from 269 breast masses. The segmentation networks were developed separately using US image and entropy maps, and evaluated on a test set of 81 breast masses. The attention U-Net trained based on entropy maps achieved average Dice score of 0.60 (median 0.71), while for the model trained using US images we obtained average Dice score of 0.53 (median 0.59). Our work presents the feasibility of using quantitative US parametric maps for the breast mass segmentation. The obtained results suggest that US parametric maps, which provide the information about local tissue scattering properties, might be more suitable for the development of breast mass segmentation methods than regular US images.

연구 동기 및 목표

• 정량적 초음파 매개변수 지도, 특히 엔트로피 지도가 기존의 초음파 영상 대비 유방 종양 세그멘테이션 성능을 향상시킬 수 있는지 조사하는 것.
• 원시 US 신호에서 유도된 엔트로피 지도를 딥러닝 세그멘테이션 모델의 입력으로 사용할 수 있는지 타당성을 평가하는 것.
• 임상 데이터를 사용하여 초음파 영상과 엔트로피 매개변수 지도를 기반으로 훈련된 주의 메커니즘 U-Net 모델의 성능을 비교하는 것.
• 제안된 프레임워크에서 양성 및 악성 유방 종양 간 세그멘테이션 성능에 차이가 있는지 평가하는 것.

제안 방법

• 엔트로피 지도는 원시 US 신호의 힐버트 변환된 진폭 샘플에 슬라이딩 윈도우 기법을 적용하여 생성되었으며, 국소 조직 미세구조를 추정하기 위해 엔트로피 공식 $ E = -\int f(A)\ln f(A)\,dA $ 가 적용되었다.
• 세그멘테이션 모델은 주의 메커니즘을 갖춘 U-Net 아키텍처를 사용하였으며, 스킵 커넥션에 주의 게이트를 적용하여 관련 영역에 집중함으로써 특징 학습을 향상시켰다.
• 전이 학습을 적용하기 위해 첫 두 합성곱 블록을 ImageNet으로 사전 훈련된 VGG19 가중치로 초기화하였으며, 일치 레이어 방법을 통해 회색조 입력에 적합하도록 조정하였다.
• US 영상와 엔트로피 지도는 VGG19 호환성을 위해 224×224로 크기 조정되었으며, 조기 정지와 학습률 감소를 적용한 DICE 손실 함수를 사용하여 모델을 훈련시켰다.
• 훈련 중에 데이터 증강을 적용하였고, 세그멘테이션 마스크를 정제하기 위해 후처리 단계에서 형태학적 닫힘 연산을 사용하였다.
• 모델은 269개의 유방 종양(악성 123개, 양성 146개)을 기반으로 훈련되었으며, 별도의 테스트 세트(81개 종양)에서 평가되었다.

실험 결과

연구 질문

• RQ1 원시 US 신호에서 유도된 엔트로피 매개변수 지도가 딥러닝 모델에서 표준 초음파 영상 대비 유방 종양 세그멘테이션 성능을 향상시킬 수 있는가?
• RQ2 엔트로피 지도에 주의 메커니즘 U-Net 아키텍처를 적용할 경우 세그멘테이션 정확도가 향상되는가?
• RQ3 엔트로피 지도를 입력으로 사용할 경우, 양성 및 악성 유방 종양 간 세그멘테이션 성능에 유의미한 차이가 있는가?
• RQ4 VGG19에서의 전이 학습이 엔트로피 지도와 초음파 영상에 대한 세그멘테이션 모델 성능에 미치는 영향은 어느 정도인가?
• RQ5 엔트로피와 같은 매개변수 지도가 뿌연 종양 경계를 정의하는 데 도움이 되는 더 구분력 있는 조직 텍스처 정보를 제공할 수 있는가?

주요 결과

• 엔트로피 지도를 기반으로 훈련된 주의 U-Net은 평균 DICE 스코어 0.60(중앙값 0.71)을 달성하였으며, 이는 표준 US 영상 기반 모델의 0.53(중앙값 0.59)보다 유의미하게 높았다.
• 엔트로피 지도를 사용할 경우 악성 종양의 중앙값 DICE 스코어는 0.70이었고, 초음파 영상 기반 모델은 0.60이었으며, 이는 경계 선명도 향상의 증거로 볼 수 있다.
• 엔트로피 지도 기반 모델은 양성 종양의 중앙값 DICE 스코어가 0.72였고, 초음파 영상 기반 모델은 0.58이었으며, 종양 유형 간 일관된 성능 향상이 확인되었다.
• 엔트로피 지도 기반 모델의 재현율 스코어(Jaccard)는 0.49(중앙값 0.54)였고, 초음파 영상 기반 모델은 0.39(중앙값 0.42)였으며, 더 높은 겹침 정도를 확인함으로써 성능 향상이 추가로 뒷받침되었다.
• 모델 간 유방 종양의 양성 및 악성 여부에 따른 세그멘테이션 성능에 통계적으로 유의미한 차이가 관찰되지 않아, 일관된 일반화 성능을 보였다.
• 시각적 검토 결과 엔트로피 지도에서 종양 경계가 더 명확하게 드러났으며, 이는 세그멘테이션 정확도 향상에 기여한 것으로 추정된다.