[논문 리뷰] Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images

Mohsen Ahmadi, Masoumeh Farhadi Nia외 5명|arXiv (Cornell University)|2023. 06. 21.

AI in cancer detection인용 수 5

한 줄 요약

이 연구는 초음파 및 mammography 영상에서 유방 종양 분할을 위해 U-Net과 사전 훈련된 Segment Anything Model(SAM)을 비교한다. 양성 및 악성 종양이 표시된 다양한 데이터셋을 사용하여, U-Net은 비정상적이고 이질적이거나 경계가 불명확한 종양에서 특히 정확도가 높게 나타나, 의료 영상 분할 작업에서의 우수성을 입증한다.

ABSTRACT

In this study, the main objective is to develop an algorithm capable of identifying and delineating tumor regions in breast ultrasound (BUS) and mammographic images. The technique employs two advanced deep learning architectures, namely U-Net and pretrained SAM, for tumor segmentation. The U-Net model is specifically designed for medical image segmentation and leverages its deep convolutional neural network framework to extract meaningful features from input images. On the other hand, the pretrained SAM architecture incorporates a mechanism to capture spatial dependencies and generate segmentation results. Evaluation is conducted on a diverse dataset containing annotated tumor regions in BUS and mammographic images, covering both benign and malignant tumors. This dataset enables a comprehensive assessment of the algorithm's performance across different tumor types. Results demonstrate that the U-Net model outperforms the pretrained SAM architecture in accurately identifying and segmenting tumor regions in both BUS and mammographic images. The U-Net exhibits superior performance in challenging cases involving irregular shapes, indistinct boundaries, and high tumor heterogeneity. In contrast, the pretrained SAM architecture exhibits limitations in accurately identifying tumor areas, particularly for malignant tumors and objects with weak boundaries or complex shapes. These findings highlight the importance of selecting appropriate deep learning architectures tailored for medical image segmentation. The U-Net model showcases its potential as a robust and accurate tool for tumor detection, while the pretrained SAM architecture suggests the need for further improvements to enhance segmentation performance.

연구 동기 및 목표

• 의료 초음파 및 mammography 영상에서 정확한 종양 탐지 및 분할을 위한 딥 러닝 기반 알고리즘을 개발하고 평가하는 것.
• 의료 영상 분할 전용 네트워크인 U-Net과 사전 훈련된 Segment Anything Model(SAM) 간의 성능을 비교하는 것.
• 불규칙한 형태, 경계가 흐린, 높은 이질성을 띤 종양을 포함한 다양한 종양 유형에 대한 모델의 강건성 평가.
• 최신 기술 모델의 구조적 강점과 한계를 임상 영상 적용 분야에서 평가하는 것.
• 유방암 진단에서 의료 영상 분할 작업에 대한 모델 선택에 대한 증거 기반 지침 제공.

제안 방법

• 의료 영상 분할 전용으로 설계된 완전 컨볼루션 인코더-디코더 아키텍처인 U-Net을 사용.
• 비전 트랜스포머 백본과 프롬프트 기반 분할 헤드를 사용하여 마스크를 생성하는 사전 훈련된 Segment Anything Model(SAM)을 활용.
• 초음파 및 mammography 모odalities에서 종양 영역가 표시된 다양한 데이터셋을 사용해 두 모델을 훈련 및 평가.
• 분할 성능를 정량화하기 위해 Dice 유사도 계수(DSC), Jaccard 지수, 민감도와 같은 표준 평가 지표를 적용.
• 약한 경계, 복잡한 형태, 높은 이질성을 띤 도전적인 케이스에 대한 추론 실험을 수행.
• 일반화 성능 향상을 위해 데이터 증강 및 전이 학습 기법을 사용하여, 특히 U-Net 아키텍처에 적용.

실험 결과

연구 질문

• RQ1 U-Net은 초음파 및 mammography 영상에서 종양 분할을 위해 사전 훈련된 Segment Anything Model(SAM)보다 어떻게 비교되는가?
• RQ2 U-Net은 종양 경계 정의 및 형태의 비정상성 측면에서 언제 SAM을 능가하는가?
• RQ3 경계가 흐리거나 종양이 매우 이질적인 경우, 두 모델은 양성 종양과 악성 종양 모두에서 어떻게 성능을 보이는가?
• RQ4 세밀한 분할이 요구되는 의료 영상 작업에 적용했을 때, 사전 훈련된 SAM 모델의 한계는 무엇인가?
• RQ5 U-Net 아키텍처는 일반 목적의 분할 모델인 SAM과 비교해 다양한 종양 형태와 영상 모odalities에서 뛰어난 성능을 유지할 수 있는가?

주요 결과

• U-Net은 초음파 및 mammography 데이터셋 양쪽에서 사전 훈련된 SAM 모델보다 유의미하게 높은 Dice 유사도 계수(DSC) 점수를 확보했다.
• U-Net은 비정상적인 형태, 약한 경계, 높은 이질성을 띤 종양에서 뛰어난 성능을 보였으며, 이는 악성 종양에서 흔한 특징이다.
• 사전 훈련된 SAM 모델은 특히 악성 종양 및 복잡하거나 경계가 불명확한 물체의 경우 종양 영역을 정확히 국소화하는 데 어려움을 겪었다.
• U-Net은 양성 및 악성 종양 유형 양쪽에서 일관된 성능을 유지하여, 종양 병리학적 특성에 대한 강건성을 보였다.
• 저대비 및 흐린 경계가 있는 케이스에서 SAM의 성능은 뚜렷하게 떨어졌으며, 이는 세밀한 의료 분할에서의 한계를 드러냈다.
• 결과적으로, SAM은 일반 목적의 영상 분할에 효과적이지만, 정밀한 의료 종양 분할을 위해서는 필요한 인덕티브 바이어스와 아키텍처 특수화가 부족하다.