[논문 리뷰] AUNet: Breast Mass Segmentation of Whole Mammograms.

Hui Sun, Cheng Li외 2명|arXiv (Cornell University)|2018. 10. 24.

AI in cancer detection인용 수 2

한 줄 요약

이 논문은 비대칭형 인코더-디코더 아키텍처를 갖춘 AUNet을 제안한다. AUNet은 주어진 전 mammogram에서 직접 암 부위를 세그먼테이션하기 위해 주목사용 밀도 상향 조정(AU) 블록을 활용한 새로운 주목사용 밀도 상향 조정 네트워크이다. 이는 특징 융합을 향상시키고 공간적 세부 정보를 유지한다. AUNet는 CBIS-DDSM에서 81.8%의 Dice 스코어, INbreast에서 79.1%의 스코어를 기록하여 최신 기술 수준을 달성한다.

ABSTRACT

Mammography is one of the most commonly applied tools for early breast cancer screening. Automatic segmentation of breast masses in mammograms is essential but challenging due to the low signal-to-noise ratio and the wide variety of mass shapes and sizes. Existing methods deal with these challenges mainly by extracting mass-centered image patches manually or automatically. However, manual patch extraction is time-consuming and automatic patch extraction brings errors that could not be compensated in the following segmentation step. In this study, we propose a novel attention-guided dense-upsampling network (AUNet) for accurate breast mass segmentation in whole mammograms directly. In AUNet, we employ an asymmetrical encoder-decoder structure and propose an effective upsampling block, attention-guided dense-upsampling block (AU block). Especially, the AU block is designed to have three merits. Firstly, it compensates the information loss of bilinear upsampling by dense upsampling. Secondly, it designs a more effective method to fuse high- and low-level features. Thirdly, it includes a channel-attention function to highlight rich-information channels. We evaluated the proposed method on two publicly available datasets, CBIS-DDSM and INbreast. Compared to three state-of-the-art fully convolutional networks, AUNet achieved the best performances with an average Dice similarity coefficient of 81.8% for CBIS-DDSM and 79.1% for INbreast.

연구 동기 및 목표

• 낮은 신호 대 잡음 비율과 다양한 암 형태 및 크기를 가진 전 mammogram에서 정확한 유방 암 세그먼테이션을 해결하기 위해.
• 수동 또는 오류가 발생하기 쉬운 패치 추출 과정이 필요 없도록 전 mammogram에서 직접 세그먼테이션을 가능하게 하기 위해.
• 새로운 상향 조정 메커니즘을 통해 디코더 경로에서 특징 복구 및 융합을 향상시키기 위해.
• 채널 주목을 통해 정보가 풍부한 채널을 강조하여 세그먼테이션 정확도를 향상시키기 위해.
• 국소화된 이미지 패치에 의존하지 않고도 기준 유방 mammogram 데이터셋에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• AUNet는 전 mammogram으로부터 다중 척도 특징을 효과적으로 캡처하기 위해 비대칭형 인코더-디코더 아키텍처를 사용한다.
• 핵심 혁신은 주목사용 밀도 상향 조정(AU) 블록으로, 밀도 상향 조정과 주목기제를 결합하여 정보 손실를 줄인다.
• AU 블록은 표준 상향 조정 방법보다 고수준 의미 특징과 저수준 공간적 세부 정보를 더 효과적으로 융합한다.
• 채널 주목 기법이 AU 블록에 통합되어 더 풍부한 분류 정보를 가진 채널을 강조한다.
• 이중 크로스 엔트로피 손실과 딱딱한 손실을 사용하여 엔드 투 엔드로 네트워크를 훈련시켜 세그먼테이션 성능을 최적화한다.
• 패치 기반 전처리를 피하여 전체 해상도의 mammogram에서 직접 추론이 가능하게 한다.

실험 결과

연구 질문

• RQ1 이미지 패치 추출에 의존하지 않고도 완전히 컨volutional 네트워크가 뛰어난 유방 암 세그먼테이션 정확도를 달성할 수 있는가?
• RQ2 주목사용 밀도 상향 조정 블록은 복원 과정에서 공간적 세부 정보를 복구하고 특징 융합을 향상시키는 데 얼마나 효과적인가?
• RQ3 저대비 유방 mammogram에서 다양한 암 외형을 가진 경우에 채널 주목이 세그먼테이션 성능을 얼마나 향상시키는가?
• RQ4 표준 전 mammogram 세그먼테이션 벤치마크에서 AUNet은 최신 기술 수준의 완전 컨볼루션 네트워크와 비교해 어떻게 성능을 내는가?
• RQ5 제안된 아키텍처는 다양한 이미징 프로토콜과 암 특성의 데이터셋 간에도 높은 성능을 유지할 수 있는가?

주요 결과

• AUNet는 CBIS-DDSM 데이터셋에서 81.8%의 Dice 유사도 계수를 기록하여 세 가지 최신 기술 수준의 완전 컨볼루션 네트워크를 능가한다.
• INbreast 데이터셋에서 AUNet는 79.1%의 Dice 스코어를 기록하여 다양한 기준 벤치마크 데이터셋에서 일관된 우수성을 입증한다.
• 주목사용 밀도 상향 조정 블록은 표준 이중선형 상향 조정보다 정보 손실를 크게 줄였다.
• 채널 주목의 통합은 모델이 정보가 풍부한 특징 채널에 집중하는 능력을 향상시켜 세그먼테이션 정확도를 향상시켰다.
• 패치 추출이 필요 없어 세그먼테이션 파이프라인을 단순화하고 국소화 단계에서 발생할 수 있는 오류 전파를 방지했다.
• 비대칭형 인코더-디코더 설계는 전 mammogram 분석에서 특징 추상화와 공간적 세부 정보 유지 간의 균형을 효과적으로 달성했다.