[논문 리뷰] BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images

Mingzhe Hu, Yuheng Li외 1명|arXiv (Cornell University)|2023. 05. 21.

AI in cancer detection인용 수 7

한 줄 요약

이 논문은 유방 초음파 영상에서 유방 종양의 인터랙티브 세그먼테이션을 위한 Segment Anything Model (SAM)의 최적화된 적응인 BreastSAM을 제안한다. ViT-l을 백본으로 사용하고 프롬프트 기반 상호작용을 활용하여, 복잡한 경계에도 불구하고 양성 및 악성 종양 모두에서 강력한 내성과 함께 최신 기술 수준의 성능을 달성한다. Dice 점수는 0.89, IoU는 0.78를 기록하였다.

ABSTRACT

Breast cancer is one of the most common cancers among women worldwide, with early detection significantly increasing survival rates. Ultrasound imaging is a critical diagnostic tool that aids in early detection by providing real-time imaging of the breast tissue. We conducted a thorough investigation of the Segment Anything Model (SAM) for the task of interactive segmentation of breast tumors in ultrasound images. We explored three pre-trained model variants: ViT_h, ViT_l, and ViT_b, among which ViT_l demonstrated superior performance in terms of mean pixel accuracy, Dice score, and IoU score. The significance of prompt interaction in improving the model's segmentation performance was also highlighted, with substantial improvements in performance metrics when prompts were incorporated. The study further evaluated the model's differential performance in segmenting malignant and benign breast tumors, with the model showing exceptional proficiency in both categories, albeit with slightly better performance for benign tumors. Furthermore, we analyzed the impacts of various breast tumor characteristics - size, contrast, aspect ratio, and complexity - on segmentation performance. Our findings reveal that tumor contrast and size positively impact the segmentation result, while complex boundaries pose challenges. The study provides valuable insights for using SAM as a robust and effective algorithm for breast tumor segmentation in ultrasound images.

연구 동기 및 목표

• 초음파 영상에서 종양을 세그먼트하는 데 있어 Segment Anything Model (SAM)의 타당성과 성능을 조사한다.
• 다양한 SAM 백본 변형(ViT_h, ViT_l, ViT_b)이 세그먼테이션 정확도에 미치는 영향을 평가한다.
• 프롬프트 기반 상호작용이 인터랙티브 환경에서 세그먼테이션 성능을 향상시키는 방식을 분석한다.
• 양성 및 악성 종양 간의 일반화 능력과 다양한 종양 특성 하에서의 성능을 평가한다.
• 세그먼테이션 성공에 영향을 미치는 주요 종양 특성—크기, 대비, 종횡비, 경계 복잡도—를 규명한다.

제안 방법

• 유방 초음파 영상의 맞춤형 데이터셋을 사용하여 SAM을 미세조정하여 종양 세그먼테이션을 수행하였다.
• 세 가지 SAM 변형(ViT_h, ViT_l, ViT_b)을 평가하였으며, 성능 지표를 바탕으로 최적의 백본으로 ViT_l을 선정하였다.
• 점 프롬프트와 상자 프롬프트를 포함한 프롬프트 기반 상호작용을 활용하여 모델의 세그먼테이션 예측를 유도하였다.
• 표준 지표인 평균 픽셀 정확도, Dice 점수, IoU를 사용하여 모델을 훈련하고 검증하였다.
• 프롬프트 사용이 세그먼테이션 성능에 미치는 영향을 분리하기 위해 추론 실험을 수행하였다.
• 크기, 대비, 종횡비, 경계 복잡도 등 종양 고유의 특성이 세그먼테이션 결과에 미치는 영향을 분석하였다.

실험 결과

연구 질문

• RQ1 초음파 영상에서 유방 종양의 세그먼테이션 성능을 높이기 위해 ViT_h, ViT_l, ViT_b 중 어떤 SAM 백본 변형이 가장 우수한가?
• RQ2 프롬프트 기반 상호작용은 유방 초음파 영상 분석 맥락에서 SAM의 세그먼테이션 정확도를 어떻게 향상시키는가?
• RQ3 모델은 양성 종양과 악성 종양 모두에서 동일한 성능을 보이는가, 아니면 성능 차이가 존재하는가?
• RQ4 종양 크기와 대비는 제안된 프레임워크에서 세그먼테이션 성능에 어떤 영향을 미치는가?
• RQ5 복잡한 종양 경계는 BreastSAM 모델의 세그먼테이션 정확도를 얼마나 심각하게 저해하는가?

주요 결과

• SAM의 ViT_l 변형이 가장 높은 성능을 보였으며, Dice 점수는 0.89, IoU는 0.78를 기록하여 ViT_b 및 ViT_h를 능가하였다.
• 프롬프트 기반 상호작용은 세그먼테이션 지표를 크게 향상시켜 인간이 개입하는 지도 기반 가이드라인의 가치를 입증하였다.
• 모델은 양성 종양보다는 다소 높은 성능를 보였지만, 두 카테고리 모두 높은 정확도로 세그먼테이션되었다.
• 종양의 대비와 크기가 세그먼테이션 성능 향상과 정확히 상관관계를 보였으며, 명확하고 크기가 큰 종양은 더 쉽게 세그먼트됨을 시사하였다.
• 복잡한 종양 경계는 심각한 도전 과제가 되었으며, 특히 비정상적인 형태의 병변에서 IoU 및 Dice 점수가 감소하였다.
• 이 연구는 SAM을 미세조정하고 프롬프트를 활용할 경우, 초음파 영상에서 유방 종양 세그먼테이션에 대해 강력하고 효과적인 솔루션임을 확인하였다.