[论文解读] Adversarial Deep Structural Networks for Mammographic Mass Segmentation

Wentao Zhu, Xiang Xiang+2 more|arXiv (Cornell University)|Dec 18, 2016

AI in cancer detection参考文献 31被引用 43

一句话总结

本文提出一种端到端的对抗性深度结构化网络，结合全卷积网络（FCN）与条件随机场（CRF），用于乳腺X线摄影肿块分割。通过整合空间先验、对抗性训练和多尺度融合，该方法在INBreast和DDSM-BCRP数据集上均达到最先进性能，Dice指数相对提升分别为9.7%和13%。

ABSTRACT

Mass segmentation is an important task in mammogram analysis, providing effective morphological features and regions of interest (ROI) for mass detection and classification. Inspired by the success of using deep convolutional features for natural image analysis and conditional random fields (CRF) for structural learning, we propose an end-to-end network for mammographic mass segmentation. The network employs a fully convolutional network (FCN) to model potential function, followed by a CRF to perform structural learning. Because the mass distribution varies greatly with pixel position, the FCN is combined with position priori for the task. Due to the small size of mammogram datasets, we use adversarial training to control over-fitting. Four models with different convolutional kernels are further fused to improve the segmentation results. Experimental results on two public datasets, INbreast and DDSM-BCRP, show that our end-to-end network combined with adversarial training achieves the-state-of-the-art results.

研究动机与目标

• 解决基于深度学习的分割在有限且低对比度乳腺X线摄影数据集上面临的挑战。
• 通过对抗性训练克服小样本医学图像数据集中的过拟合问题。
• 通过将空间先验与结构化CRF学习整合到端到端框架中，提升分割精度。
• 通过在单一训练流程中统一FCN与CRF，消除对手工设计特征或多阶段训练的依赖。
• 利用统一且鲁棒的深度学习架构，在公开乳腺X线摄影肿块分割基准上实现卓越性能。

提出的方法

• 采用带有学习特征和空间先验的全卷积网络（FCN），用于建模像素级分类的单变量势能。
• 集成全连接的成对CRF以强化结构一致性，通过消息传递与重加权实现高效推理。
• 应用对抗性训练正则化FCN，在训练过程中生成对抗性样本，以减少小样本数据集上的过拟合。
• 采用四种不同卷积核的多尺度融合策略，以增强特征表示能力与鲁棒性。
• 端到端训练整个FCN-CRF系统，联合优化网络权重与CRF参数。
• 利用平均场近似实现高效的CRF推理，结合兼容性变换与归一化以优化预测结果。

实验结果

研究问题

• RQ1 对抗性训练是否能有效正则化深度网络，以提升小样本数据集上乳腺X线摄影肿块分割的性能？
• RQ2 整合空间先验在分布多变的肿块区域中，如何提升分割精度？
• RQ3 FCN与CRF的端到端联合训练在多大程度上优于两阶段或基于特征工程的方法？
• RQ4 多卷积核的融合在多大程度上增强了肿块分割的鲁棒性与泛化能力？
• RQ5 与标准FCN或FCN-CRF基线相比，所提方法在边界定位精度方面有何提升？

主要发现

• 所提出的对抗性FCN-CRF网络在INBreast数据集上的Dice指数相比先前最先进方法实现了9.7%的相对提升。
• 在DDSM-BCRP数据集上，该方法实现了13%的Dice指数相对提升，表明其在不同数据集间具有强大的泛化能力。
• 仅采用对抗性训练即可使Dice指数平均提升0.4%，有效缓解小规模训练集中的过拟合现象。
• 引入空间先验使分割精度提升0.3%，凸显了解剖上下文信息的重要性。
• 在宽度为1–5的trimap区域中，对抗性训练使边界精度提升2–3%，表明边缘定位能力更优。
• McNemar卡方检验的p值<0.001，证实该模型在INBreast数据集上显著优于先前最先进方法。