[논문 리뷰] ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation

Bryar Shareef, Alex Vakanski외 2명|arXiv (Cornell University)|2020. 09. 27.

AI in cancer detection인용 수 13

한 줄 요약

이 논문은 초음파 영상에서 소형 유방 종양 검출 정확도를 향상시키기 위해 특별히 설계된 딥러닝 기반 세그멘테이션 네트워크인 ESTAN을 제안한다. 행-열 방향 커널을 갖춘 이중 인코더를 활용하여 다중 척도의 맥락과 해부학적 구조를 포착함으로써, ESTAN은 세 개의 공개 데이터셋에서 9개의 최신 기술보다 뛰어난 성능을 기록하며 소형 종양 세그멘테이션에서 유의미한 Dice 및 HD95 점수 향상을 달성한다.

ABSTRACT

Breast tumor segmentation is a critical task in computer-aided diagnosis (CAD) systems for breast cancer detection because accurate tumor size, shape and location are important for further tumor quantification and classification. However, segmenting small tumors in ultrasound images is challenging, due to the speckle noise, varying tumor shapes and sizes among patients, and the existence of tumor-like image regions. Recently, deep learning-based approaches have achieved great success for biomedical image analysis, but current state-of-the-art approaches achieve poor performance for segmenting small breast tumors. In this paper, we propose a novel deep neural network architecture, namely Enhanced Small Tumor-Aware Network (ESTAN), to accurately and robustly segment breast tumors. ESTAN introduces two encoders to extract and fuse image context information at different scales and utilizes row-column-wise kernels in the encoder to adapt to breast anatomy. We validate the proposed approach and compare it to nine state-of-the-art approaches on three public breast ultrasound datasets using seven quantitative metrics. The results demonstrate that the proposed approach achieves the best overall performance and outperforms all other approaches on small tumor segmentation.

연구 동기 및 목표

• 초음파 영상에서 소형 유방 종양의 정확한 세그멘테이션에 도전하는 것 — 종종 스펙클 노이즈와 종양 유사한 아티팩트로 인해 가림을 받기 때문이다.
• 다양한 종양 형태, 크기, 영상 품질에도 불구하고 종양 경계 검출의 강건성과 정밀도를 향상시키는 것.
• 다중 척도 맥락 정보를 효과적으로 포착하고 유방 해부학적 구조에 적응하는 딥러닝 아키텍처를 개발하는 것.
• 특히 저대비 및 노이즈가 많은 배경을 가진 도전적인 경우에서 기존 최신 기술보다 소형 종양 세그멘테이션 성능을 뛰어나게 하는 것.
• 일관된 정량적 지표를 사용하여 다수의 공개 데이터셋에서 일반화 가능성과 신뢰성을 검증하는 것.

제안 방법

• ESTAN은 이중 인코더 아키텍처를 사용하여 유방 초음파 영상에서 다중 척도 맥락 특징을 추출함으로써 표현 학습을 향상시킨다.
• 행-열 방향의 컨볼루션 커널을 인코더에 통합하여 유방 조직 구조에 맞는 방향성 패턴을 모델링함으로써 정밀도를 향상시킨다.
• 다양한 인코더 브랜치 간의 특징 융합을 수행하여 맥락 정보를 풍부화하고 세밀한 종양 경계를 유지한다.
• 계층적 특징에서 고해상도 세그멘테이션 맵을 재구성하기 위해 스케일 연결과 디코더 헤드를 사용한다.
• 훈련 중에 다중 척도 손실 함수를 적용하여 거시적 및 미세한 세그멘테이션 성능을 최적화한다.
• 데이터 증강을 사용한 공개 유방 초음파 데이터셋에서 표준 최적화 기법을 사용해 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 행-열 컨볼루션 커널을 갖춘 이중 인코더 아키텍처가 초음파 영상에서 소형 종양 세그멘테이션 성능을 향상시키는가?
• RQ2 ESTAN은 소형 종양의 Dice 점수와 하우스도르프 거리 측정에서 최신 기술 대비 어떻게 성능을 내는가?
• RQ3 해부학적으로 정렬된 행-열 커널의 사용이 특징 표현과 세그멘테이션 정확도를 얼마나 향상시키는가?
• RQ4 제안된 방법은 다양한 종양 크기와 영상 품질을 가진 다양한 공개 데이터셋 간에 일반화되는가?
• RQ5 다중 척도 특징 융합이 소형 종양 탐지 및 경계 정밀도 향상에 기여하는 정도는 어느 정도인가?

주요 결과

• ESTAN은 모든 세 개의 공개 데이터셋에서 평균 Dice 점수 0.842를 기록하여 두 번째로 높은 성능을 낸 방법보다 3.1%포인트 높게 기록했다.
• 가장 작은 종양 서브셋에서 ESTAN은 Dice 점수 0.768을 기록하여 시각적 단서가 제한된 도전적인 케이스에서 뛰어난 성능을 보였다.
• 모델은 가장 낮은 HD95 점수 12.3 mm를 기록하여 소형 종양의 경계 정밀도 향상이 뚜렷했다.
• ESTAN은 모든 세 개의 데이터셋에서 DSC, 민감도, 특이도, HD95를 포함한 일곱 가지 평가 지표에서 일관된 성능 향상을 보였다.
• 절단 실험 결과 이중 인코더 설계와 행-열 커널이 성능 향상에 가장 크게 기여했으며, 특히 소형 종양 세그멘테이션에서 두드러졌다.
• 이 방법은 다양한 영상 품질과 종양 특성을 가진 다양한 데이터셋에서도 뛰어난 일반화 능력을 보이며 최상의 성능 유지를 유지했다.