[论文解读] Automated Breast Lesion Segmentation in Ultrasound Images

Ibrahim Sadek, Mohamed Elawady+1 more|arXiv (Cornell University)|Jan 1, 2013

AI in cancer detection被引用 4

一句话总结

本文提出了一种三阶段自动化方法，用于在超声图像中进行乳腺病灶分割，该方法结合了中值滤波、基于归一化割的分割以及K均值聚类与轮廓选择相结合的后处理。该方法在具有多样性的数据集上实现了平均Dice系数0.8133和Jaccard指数0.6853，尽管面临斑点噪声和低对比度的挑战，仍表现出稳健的性能。

ABSTRACT

The main objective of this project is to segment different breast ultrasound images to find out lesion area by discarding the low contrast regions as well as the inherent speckle noise. The proposed method consists of three stages (removing noise, segmentation, classification) in order to extract the correct lesion. We used normalized cuts approach to segment ultrasound images into regions of interest where we can possibly finds the lesion, and then K-means classifier is applied to decide finally the location of the lesion. For every original image, an annotated ground-truth image is given to perform comparison with the obtained experimental results, providing accurate evaluation measures.

研究动机与目标

• 开发一种用于在超声图像中自动分割乳腺病灶的方法，以支持早期癌症检测。
• 解决超声成像中固有的低对比度区域和斑点噪声带来的挑战。
• 通过结合预处理、归一化割分割和K均值后处理，提高分割精度。
• 使用Dice系数和Jaccard系数等标准指标，基于真实标注评估性能。
• 降低病灶检测中的假阳性率和假阴性率，以支持临床决策。

提出的方法

• 预处理包括中值滤波，以及可选的通过直方图均衡化或对比度调整进行的强度增强，以减少噪声并提高图像质量。
• 分割采用归一化割算法，该算法基于图的相似性将图像划分为区域，生成四个候选分割图像。
• 后处理对每个归一化割结果应用K均值聚类，以分离前景（病灶）和背景聚类。
• 病灶被识别为K均值输出中轮廓长度最小的区域，以确保其紧凑性与解剖学上的合理性。
• 当K均值仅生成一个聚类时，采用Otsu阈值法作为备用方案以提取病灶区域。
• 评估基于真实标注进行，性能通过Dice系数和Jaccard系数进行衡量。

实验结果

研究问题

• RQ1 归一化割能否有效分割低对比度、存在斑点噪声的超声图像中的乳腺病灶？
• RQ2 K均值聚类与轮廓选择的结合在多大程度上提升了病灶定位的准确性？
• RQ3 预处理步骤（如中值滤波、直方图均衡化）对分割性能有何影响？
• RQ4 在具有挑战性的超声成像条件下，该方法与传统方法（如活动轮廓或区域生长）相比表现如何？
• RQ5 该方法在不同病灶大小和图像质量下的泛化能力如何？

主要发现

• 在20张超声图像上，该方法实现了平均Dice系数0.8133和平均Jaccard指数0.6853，表明分割性能出色。
• 在20张图像中，16张成功完成分割，其余4张性能较差，主要由于病灶过小或噪声过高。
• 最高Dice得分为0.9368（图像000002），最低为0.0699（图像000046），反映出病灶可见度的差异。
• 成功分割的图像表现出较低的假阳性和假阴性率，尤其在第一类（易分割病例）中表现更优。
• 平均处理时间为每幅图像10.50秒，标准差为1.89秒，表明处理效率适中。
• 该方法在三幅图像（000019、000014、000030）上失败，其Dice和Jaccard得分均为零，主要原因是病灶与背景合并或被噪声遮蔽。