[论文解读] Automatic Breast Ultrasound Image Segmentation: A Survey

Min Xian, Yingtao Zhang+4 more|arXiv (Cornell University)|Apr 4, 2017

AI in cancer detection被引用 18

一句话总结

本综述全面回顾了过去二十年间超过180种自动乳腺超声（BUS）图像分割技术，按活动轮廓、水平集、基于区域的分割、机器学习及深度学习等方法进行分类。文章分析了各类方法的原理、优势、局限性及性能趋势，同时指出了临床部署与基准标准化中的关键挑战与未来研究方向。

ABSTRACT

Breast cancer is one of the leading causes of cancer death among women worldwide. In clinical routine, automatic breast ultrasound (BUS) image segmentation is very challenging and essential for cancer diagnosis and treatment planning. Many BUS segmentation approaches have been studied in the last two decades, and have been proved to be effective on private datasets. Currently, the advancement of BUS image segmentation seems to meet its bottleneck. The improvement of the performance is increasingly challenging, and only few new approaches were published in the last several years. It is the time to look at the field by reviewing previous approaches comprehensively and to investigate the future directions. In this paper, we study the basic ideas, theories, pros and cons of the approaches, group them into categories, and extensively review each category in depth by discussing the principles, application issues, and advantages/disadvantages.

研究动机与目标

• 系统性回顾并分类2000年至2017年间发表的超过180种自动BUS图像分割方法。
• 在临床应用背景下，分析不同分割技术的理论基础、技术实现及其性能权衡。
• 识别持续存在的挑战，如图像噪声、对比度低以及缺乏标准化数据集，这些因素阻碍了性能的进一步提升。
• 评估从传统图像处理到深度学习的方法演进过程，评估其临床可行性与泛化能力。
• 通过识别研究中尚未充分探索的领域及性能提升的关键瓶颈，为未来研究提供路线图。

提出的方法

• 将分割方法划分为五大类：活动轮廓模型、水平集方法、基于区域的分割、基于机器学习的方法以及基于深度学习的方法。
• 深入分析各类方法的底层原理，例如活动轮廓中的能量最小化及水平集中的几何演化。
• 评估方法的组成部分，包括特征提取、边缘检测、区域同质性以及先验知识整合。
• 使用Dice系数、敏感性与特异性等指标，在不同数据集上比较性能，强调可重复性与基准测试。
• 采用结构化分类体系，根据输入模态、输出类型及临床集成潜力对方法进行分类。
• 对现有研究中的局限性进行批判性评估，包括小规模数据集、缺乏公开验证以及对私有数据的过拟合问题。

实验结果

研究问题

• RQ1 在过去的二十年中，自动BUS图像分割中的主导方法类别是什么？它们如何演变？
• RQ2 哪些关键技术挑战限制了当前BUS分割方法的性能表现与临床应用？
• RQ3 在准确性、鲁棒性与计算效率方面，不同分割技术（如活动轮廓、水平集与深度学习）之间有何差异？
• RQ4 尽管机器学习与深度学习技术不断进步，为何BUS分割的性能提升已达到瓶颈？
• RQ5 当前研究中最重要的研究空白是什么？包括数据集可及性、基准标准及临床验证方面。

主要发现

• 传统方法如活动轮廓与水平集方法仍被广泛使用，但对噪声与初始化敏感，限制了其在临床环境中的鲁棒性。
• 基于区域的分割技术在均质组织区域表现更优，但在异质性或复杂肿瘤边界区域表现不佳。
• 基于机器学习的方法（如SVM与随机森林）相比传统方法具有更好的泛化能力，但受限于手工特征工程。
• 深度学习模型，特别是U-Net变体，在公开数据集上表现出最先进性能，部分研究的Dice分数超过0.85。
• 尽管已有进展，大多数方法仍基于私有或小规模数据集进行评估，导致性能估计过于乐观，泛化能力差。
• 缺乏标准化基准、公开数据集及临床验证流程，是实际部署与方法比较的主要瓶颈。