[论文解读] CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation

Zhenyuan Ning, Ke Wang+3 more|arXiv (Cornell University)|Mar 23, 2020

AI in cancer detection参考文献 36被引用 13

一句话总结

该论文提出CF2-Net，一种用于乳腺超声图像分割的从粗到精融合卷积神经网络，采用'E'-形特征融合模块以增强边缘和结构细节。通过融合超像素图像与原始图像作为输入，并使用加权平衡损失函数，CF2-Net在使用四折交叉验证的公开BUS数据集上实现了最先进性能。

ABSTRACT

Breast ultrasound (BUS) image segmentation plays a crucial role in a computer-aided diagnosis system, which is regarded as a useful tool to help increase the accuracy of breast cancer diagnosis. Recently, many deep learning methods have been developed for segmentation of BUS image and show some advantages compared with conventional region-, model-, and traditional learning-based methods. However, previous deep learning methods typically use skip-connection to concatenate the encoder and decoder, which might not make full fusion of coarse-to-fine features from encoder and decoder. Since the structure and edge of lesion in BUS image are common blurred, these would make it difficult to learn the discriminant information of structure and edge, and reduce the performance. To this end, we propose and evaluate a coarse-to-fine fusion convolutional network (CF2-Net) based on a novel feature integration strategy (forming an 'E'-like type) for BUS image segmentation. To enhance contour and provide structural information, we concatenate a super-pixel image and the original image as the input of CF2-Net. Meanwhile, to highlight the differences in the lesion regions with variable sizes and relieve the imbalance issue, we further design a weighted-balanced loss function to train the CF2-Net effectively. The proposed CF2-Net was evaluated on an open dataset by using four-fold cross validation. The results of the experiment demonstrate that the CF2-Net obtains state-of-the-art performance when compared with other deep learning-based methods

研究动机与目标

• 解决乳腺超声（BUS）图像分割中病灶边界模糊和结构表征不足的挑战。
• 通过用新型'E'-形融合模块替代标准跳跃连接，改进编码器与解码器之间的特征融合。
• 通过将超像素图像与原始图像拼接作为输入，提升轮廓准确度和结构细节学习能力。
• 通过加权平衡损失函数缓解不同大小病灶区域之间的类别不平衡问题。
• 在公开的BUS数据集上实现最先进分割性能。

提出的方法

• 提出一种新型'E'-形特征融合模块，实现编码器与解码器特征的从粗到精融合，提升边缘与结构表征能力。
• 使用原始BUS图像与超像素图像的拼接作为输入，提供额外的纹理与边界线索。
• 采用加权平衡损失函数，对较小病灶区域赋予更高权重，以缓解类别不平衡问题。
• 采用类似U-Net的编码器-解码器架构，并引入所提出的融合模块以保留空间细节。
• 在公开可用的BUS数据集上，使用四折交叉验证进行网络训练。
• 使用标准深度学习组件，如卷积块、批量归一化和ReLU激活函数。

实验结果

研究问题

• RQ1 从粗到精的特征融合策略是否能提升边界模糊的乳腺超声图像的分割准确率？
• RQ2 将超像素图作为辅助输入是否能增强乳腺超声图像分割中的边缘与结构细节学习？
• RQ3 加权平衡损失函数在多大程度上减轻了小病灶区域的性能退化？
• RQ4 所提出的CF2-Net与现有基于深度学习的分割方法相比，在标准BUS基准上的表现如何？
• RQ5 'E'-形融合模块是否在保留细粒度解剖细节方面优于标准跳跃连接？

主要发现

• CF2-Net在公开BUS数据集上实现了最先进性能，优于现有基于深度学习的分割方法。
• 所提出的'E'-形融合模块显著提升了病灶分割中的边界清晰度与结构一致性。
• 使用超像素图像与原始图像拼接作为输入，可实现更精确的轮廓预测。
• 加权平衡损失函数有效降低了类别不平衡的影响，尤其对小病灶区域。
• 四折交叉验证结果显示，所有折次均表现出一致的性能提升，表明模型具有鲁棒性。
• 定量指标如Dice分数与Hausdorff距离表明，其分割质量显著优于基线模型。