[논문 리뷰] An Efficient Solution for Breast Tumor Segmentation and Classification in Ultrasound Images Using Deep Adversarial Learning

Vivek Kumar Singh, Hatem A. Rashwan외 6명|arXiv (Cornell University)|2019. 07. 01.

AI in cancer detection참고 문헌 18인용 수 27

한 줄 요약

이 논문은 초음파 영상에서 정확한 유방 종양 세분화 및 분류를 위해 아트로스 컨볼루션과 채널별 가중치 부여를 조합한 딥 적대적 학습 프레임워크를 제안한다. 모델은 딱도스 점수 93.76%와 IoU 88.82%로 최신 기술 수준의 성능을 달성하였으며, 세분화 마스크에서 유도한 형태 특징을 사용해 종양을 양성 또는 악성으로 분류하는 데 85%의 정확도를 달성한다.

ABSTRACT

This paper proposes an efficient solution for tumor segmentation and classification in breast ultrasound (BUS) images. We propose to add an atrous convolution layer to the conditional generative adversarial network (cGAN) segmentation model to learn tumor features at different resolutions of BUS images. To automatically re-balance the relative impact of each of the highest level encoded features, we also propose to add a channel-wise weighting block in the network. In addition, the SSIM and L1-norm loss with the typical adversarial loss are used as a loss function to train the model. Our model outperforms the state-of-the-art segmentation models in terms of the Dice and IoU metrics, achieving top scores of 93.76% and 88.82%, respectively. In the classification stage, we show that few statistics features extracted from the shape of the boundaries of the predicted masks can properly discriminate between benign and malignant tumors with an accuracy of 85%$

연구 동기 및 목표

• 저대비, 스펙클 노이즈로 오염된 다양한 종양 형태를 가진 유방 초음파 영상의 과제를 해결하기 위해.
• 다중 척도 특징 학습을 향상시키고 고수준 특징 표현의 균형을 맞추어 종양 세분화 정확도를 향상시키기 위해.
• 딥 적대적 학습을 활용한 종양 세분화 및 분류를 동시에 수행하는 엔드 투 엔드 솔루션을 개발하기 위해.
• 세분화 마스크에서 유도한 형태 통계가 종양을 양성 또는 악성으로 효과적으로 분류할 수 있음을 입증하기 위해.

제안 방법

• 에코더 레이어 En3와 En4 사이에 아트로스 컨볼루션 블록을 통합하여 수신장역을 확장하고 파rameter 수를 증가시키지 않으면서 다중 척도 종양 특징을 캡처한다.
• 가장 깊은 에코더 레이어(En7) 이후에 채널별 가중치 부여(CAW) 블록을 통합하여 채널 특징의 중요도를 동적으로 재균형화하여 표현 학습을 향상시킨다.
• 에코더와 디코더 레이어 간의 스킵 커넥션을 갖춘 조건부 GAN(cGAN) 아키텍처를 사용하여 공간적 세부 정보를 유지하고 마스크 생성을 향상시킨다.
• 적대적 손실, L1-노름 손실, SSIM을 조합한 하이브리드 손실 함수를 사용하여 학습을 안정화시키고 생성된 세분화 마스크의 구조 유사도를 향상시킨다.
• 디코더 레이어에서 배치 정규화, LeakyReLU(기울기 0.2), ReLU 활성화 함수 및 드롭아웃을 적용하여 학습 안정성과 일반화 능력을 향상시킨다.
• 예측된 이진 마스크에서 네 가지 통계적 형태 특징(예: 둘레, 면적, 이심률)을 추출하여 후속 종양 분류에 활용한다.

실험 결과

연구 질문

• RQ1 아트로스 컨볼루션은 초음파 영상에서 종양 세분화의 다중 척도 특징 학습을 향상시킬 수 있는가?
• RQ2 제안된 채널별 가중치 부여 블록은 세분화 네트워크의 고수준 특징의 구분 능력을 향상시키는가?
• RQ3 적대적 손실, L1 손실, SSIM 손실의 조합은 더 정확하고 구조적으로 일관된 세분화 마스크를 생성할 수 있는가?
• RQ4 세분화 마스크에서 추출한 형태 기반 특징은 종양을 양성 또는 악성으로 신뢰성 있게 분류할 수 있는가?
• RQ5 제안된 모델은 BUS 데이터셋에서 최신 기술 수준의 세분화 및 분류 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• 제안된 모델은 딱도스 점수 93.76%와 IoU 88.82%를 기록하여 UNet, DCGAN, cGAN를 포함한 모든 비교 모델을 능가한다.
• 모델은 딱도스와 IoU 박스플롯에서 이상치가 없으며, 성능에 최소한의 변동성을 보이며, 테스트 샘플 전반에 걸쳐 높은 강건성을 나타낸다.
• CAW 블록을 단독으로 추가함으로써 딱도스 점수가 cGAN의 86.04%에서 90.65%로 향상되어 특징 표현에 미치는 영향이 뚜렷하다는 것을 입증한다.
• 분류 단계에서는 세분화 마스크에서 유도한 네 가지 형태 통계만을 사용해 85%의 정확도를 달성하였으며, 기준 방법보다 2% 높은 성능을 보였다.
• 시각적 비교 결과, 제안된 모델은 가장 정밀한 종양 경계 세분화를 제공하며, 가장 적은 수의 오진 및 빠짐을 보였다.
• 모델의 세분화 성능는 안정적이고 일관되며, 좁은 신뢰구간(예: 딱도스 ±0.037)을 보이며, 높은 재현 가능성을 나타낸다.