[논문 리뷰] CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation

Zhenyuan Ning, Ke Wang외 3명|arXiv (Cornell University)|2020. 03. 23.

AI in cancer detection참고 문헌 36인용 수 13

한 줄 요약

이 논문은 'E'-형태의 특징 통합 모듈을 사용하여 가장자리와 구조적 세부 정보를 향상시키는, 거칠기에서 세밀한 단계로의 융합 컨볼루션 네트워크인 CF2-Net을 제안한다. 초점화된 히트맵과 원본 이미지를 입력으로 융합하고, 가중치 균형 손실을 적용하여, 네 개의 폴드로 나누어진 교차 검증을 사용한 개방형 BUS 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Breast ultrasound (BUS) image segmentation plays a crucial role in a computer-aided diagnosis system, which is regarded as a useful tool to help increase the accuracy of breast cancer diagnosis. Recently, many deep learning methods have been developed for segmentation of BUS image and show some advantages compared with conventional region-, model-, and traditional learning-based methods. However, previous deep learning methods typically use skip-connection to concatenate the encoder and decoder, which might not make full fusion of coarse-to-fine features from encoder and decoder. Since the structure and edge of lesion in BUS image are common blurred, these would make it difficult to learn the discriminant information of structure and edge, and reduce the performance. To this end, we propose and evaluate a coarse-to-fine fusion convolutional network (CF2-Net) based on a novel feature integration strategy (forming an 'E'-like type) for BUS image segmentation. To enhance contour and provide structural information, we concatenate a super-pixel image and the original image as the input of CF2-Net. Meanwhile, to highlight the differences in the lesion regions with variable sizes and relieve the imbalance issue, we further design a weighted-balanced loss function to train the CF2-Net effectively. The proposed CF2-Net was evaluated on an open dataset by using four-fold cross validation. The results of the experiment demonstrate that the CF2-Net obtains state-of-the-art performance when compared with other deep learning-based methods

연구 동기 및 목표

• 유방 초음파(BUS) 영상 분할에서 둔탁한 병변 경계와 열악한 구조 표현 문제를 해결하기 위해.
• 기존의 스킵 커넥션 대신 새로운 'E'-형태의 융합 모듈을 도입하여 인코더와 디코더 간의 특징 융합을 향상시키기 위해.
• 초점화된 히트맵과 원본 이미지를 연결하여 입력으로 사용함으로써 윤곽 정확도와 구조적 세부 정보 학습을 향상시키기 위해.
• 다양한 크기의 병변 영역에서의 클래스 불균형 문제를 해결하기 위해 가중치 균형 손실 함수를 활용하기 위해.
• 공개된 BUS 데이터셋에서 최신 기술 수준의 분할 성능를 달성하기 위해.

제안 방법

• 인코더와 디코더 특징의 거칠기에서 세밀한 단계로의 융합을 가능하게 하는 새로운 'E'-형태의 특징 통합 모듈을 도입하여, 가장자리와 구조적 표현을 향상시킨다.
• 원본 BUS 이미지와 초점화된 히트맵 이미지를 연결하여 입력으로 사용함으로써 추가적인 텍스처와 경계 신호를 제공한다.
• 작은 병변 영역에 더 높은 가중치를 할당하여 클래스 불균형 문제를 해결하기 위해 가중치 균형 손실 함수를 적용한다.
• 제안된 융합 모듈을 사용한 U-Net 유사한 인코더-디코더 아키텍처를 적용하여 공간적 세부 정보를 유지한다.
• 공개된 BUS 데이터셋에서 네 개의 폴드로 나누어진 교차 검증을 사용하여 네트워크를 훈련시킨다.
• 컨볼루션 블록, 배치 정규화, ReLU 활성화 함수와 같은 표준 딥 러닝 구성 요소를 활용한다.

실험 결과

연구 질문

• RQ1 블러진 병변 경계를 가진 유방 초음파 영상에서 거칠기에서 세밀한 단계로의 특징 융합 전략이 분할 정확도를 향상시킬 수 있는가?
• RQ2 보조 입력으로 초점화된 히트맵을 통합함으로써 유방 초음파 영상 분할에서 가장자리와 구조적 세부 정보 학습이 향상되는가?
• RQ3 가중치 균형 손실 함수가 작은 병변 영역에서의 성능 저하를 어느 정도 감소시키는가?
• RQ4 기존의 딥 러닝 기반 분할 방법과 비교할 때 제안된 CF2-Net은 표준 BUS 벤치마크에서 어떻게 성능을 내는가?
• RQ5 'E'-형태의 융합 모듈이 세밀한 해부학적 세부 정보를 유지하는 데 있어 기존의 스킵 커넥션을 능가하는가?

주요 결과

• CF2-Net은 공개된 BUS 데이터셋에서 최신 기술 수준의 성능를 달성하여 기존의 딥 러닝 기반 방법들을 능가한다.
• 제안된 'E'-형태의 융합 모듈은 병변 분할에서 경계 명확화와 구조 일관성을 크게 향상시킨다.
• 초점화된 히트맵과 원본 이미지를 입력으로 연결함으로써 더 정확한 윤곽 예측이 가능해진다.
• 가중치 균형 손실 함수는 특히 작은 병변에서의 영향을 효과적으로 줄여 클래스 불균형 문제를 완화한다.
• 네 개의 폴드로 나누어진 교차 검증 결과, 모든 폴드에서 일관된 성능 향상이 관찰되어 네트워크의 강건성을 입증한다.
• Dice 점수와 하우스도르프 거리와 같은 정량적 지표는 기준 모델 대비 뛰어난 분할 품질을 보여준다.