[논문 리뷰] BUSIS: A Benchmark for Breast Ultrasound Image Segmentation

Min Xian, Yingtao Zhang외 7명|arXiv (Cornell University)|2018. 01. 09.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

이 논문은 표준화된 절차를 통해 네 명의 방사선과 전문의가 참여해 수집한 562장의 정확한 레이블이 부여된 초음파 영상으로 구성된 유방 초음파 영상 분할을 위한 공개 기준(BUSIS)을 소개한다. 일관된 평가 지표를 사용하여 16종의 최신 분할 기법을 평가하고, 뛰어난 성능을 보인 전략을 규명하며, 자동화된 유방 종양 분할 분야에서 객관적인 비교와 임상적으로 유의미한 평가를 위한 기반을 마련한다.

ABSTRACT

Breast ultrasound (BUS) image segmentation is challenging and critical for BUS Comput-er-Aided Diagnosis (CAD) systems. Many BUS segmentation approaches have been studied in the last two decades, but the performances of most approaches have been assessed using relatively small private datasets with different quantitative metrics, which results in a discrepancy in performance comparison. Therefore, there is a pressing need for building a benchmark to compare existing methods using a public dataset objectively, to determine the performance of the best breast tumor segmentation algorithm available today, and to investigate what segmentation strategies are valuable in clinical practice and theoretical study. In this work, a benchmark for B-mode breast ultrasound image segmentation is presented. In the benchmark, 1) we collected 562 breast ultrasound images, prepared a software tool, and involved four radiologists in obtaining accurate annotations through standardized procedures; 2) we extensively compared the performance of sixteen state-of-the-art segmentation methods and discussed their advantages and disadvantages; 3) we proposed a set of valuable quantitative metrics to evaluate both semi-automatic and fully automatic segmentation approaches; and 4) the successful segmentation strategies and possible future improvements are discussed in details.

연구 동기 및 목표

• 일관된 레이블링과 평가 지표를 갖춘 공개 기준을 통해 유방 초음파 영상 분할 분야에서 표준화된 평가의 부족을 보완하기 위해.
• 공동으로 사용 가능한 공개 데이터셋을 바탕으로 기존 분할 기법 간의 객관적 성능 비교를 가능하게 하기 위해.
• 임상적으로 유의미하고 이론적으로 타당한 효과적인 분할 전략을 규명하기 위해.
• 반자동 및 완전 자동 분할 접근법 모두에 적합한 종합적인 정량적 평가 지표 세트를 제안하기 위해.
• 현재 기법들의 강점과 한계를 분석하고未래 연구 방향을 제안함으로써 향후 연구를 이끌기 위해.

제안 방법

• 임상 자료에서 B모드 유방 초음파 영상 562장을 수집하여 다양한 종양 특성과 영상 조건을 확보하였다.
• 정의된 프로토콜을 사용해 네 명의 경험이 풍부한 방사선과 전문의가 표준화된 다중 독자 레이블링을 지원하는 전용 소프트웨어 도구를 개발하였다.
• 고품질 및 높은 신뢰성의 레이블링을 확보하기 위해 공감대 기반의 기준 레이블링 절차를 수립하였다.
• 전체 데이터셋에 걸쳐 표준화된 평가 프로토콜을 적용하여 16종의 최신 분할 알고리즘을 평가하였다.
• Dice, Jaccard, 민감도 등의 정량적 지표를 제안하여 다양한 유형의 기법 간의 분할 성능 평가를 수행하였다.
• 핵심 성능 향상 요소를 규명하기 위해 추론 분석 및 비교 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 표준화된 기준을 사용할 때 유방 초음파 영상 분할 분야에서 현재의 최고 성능는 어떠한가?
• RQ2 다양한 종양 유형과 영상 잡음에 걸쳐 일관되게 뛰어난 성능을 보이는 분할 전략는 무엇인가?
• RQ3 동일한 평가 프로토콜과 지표 하에서 반자동 기법과 완전 자동 기법은 어떻게 비교되는가?
• RQ4 유방 종양 분할 평가에 가장 신뢰성 있고 임상적으로 의미 있는 정량적 지표는 무엇인가?
• RQ5 딥러닝 아키텍처, 손실 함수, 데이터 증강 등 어떤 기법 구성 요소가 성능 향상에 가장 크게 기여하는가?

주요 결과

• 기준 데이터셋은 562장의 고품질, 방사선과 전문의가 검증한 유방 초음파 영상과 정확한 종양 분할 레이블을 포함하고 있다.
• 딥러닝 기반 기법, 특히 주의 메커니즘을 통합한 U-Net 변형 기법이 전체 데이터셋에서 가장 높은 평균 Dice 스코어를 기록하였다.
• 제안된 평가 지표는 일관되고 신뢰할 수 있는 비교를 가능하게 하였으며, 다양한 지표를 사용할 경우 기법 간에 뚜렷한 성능 격차가 드러났다.
• 저대비 또는 복잡한 경계를 가진 종양의 경우 반자동 기법이 완전 자동 기법보다 뛰어난 성능을 보였으며, 인간의 참여가 포함된 개선 과정의 가치를 입증하였다.
• 다중 척도 특징 융합과 적응형 손실 함수를 통합한 기법은 영상 노이즈 및 잡음에 대해 뛰어난 강건성을 보였다.
• 현재 최고 수준의 모델들이 여전히 작고 비정형적이거나 경계가 불명확한 종양에 어려움을 겪고 있음을 확인하여未래 연구에서 개선이 필요한 핵심 영역임을 규명하였다.