[论文解读] A Benchmark for Breast Ultrasound Image Segmentation (BUSIS)

Min Xian, Yingtao Zhang+7 more|arXiv (Cornell University)|Mar 1, 2018

AI in cancer detection参考文献 55被引用 35

一句话总结

本文提出了BUSIS基准，这是一个包含562幅B型乳腺超声图像的公开数据集，配有专家标注的肿瘤分割结果，旨在实现对最先进分割方法的客观、定量比较。该研究在这一标准化基准上评估了五种领先算法，建立了性能基线，并识别出在临床和研究应用中有效的分割策略。

ABSTRACT

Breast ultrasound (BUS) image segmentation is challenging and critical for BUS Computer-Aided Diagnosis (CAD) systems. Many BUS segmentation approaches have been proposed in the last two decades, but the performances of most approaches have been assessed using relatively small private datasets with differ-ent quantitative metrics, which result in discrepancy in performance comparison. Therefore, there is a pressing need for building a benchmark to compare existing methods using a public dataset objectively, and to determine the performance of the best breast tumor segmentation algorithm available today and to investigate what segmentation strategies are valuable in clinical practice and theoretical study. In this work, we will publish a B-mode BUS image segmentation benchmark (BUSIS) with 562 images and compare the performance of five state-of-the-art BUS segmentation methods quantitatively.

研究动机与目标

• 通过创建一个公开的共享基准，解决乳腺超声图像分割中缺乏标准化评估的问题。
• 利用一致的数据集和评估指标，实现现有分割方法之间的公平且客观的性能比较。
• 确定当前乳腺肿瘤分割的最先进水平，并确定在临床和理论背景下最有效的策略。
• 提供一个经专家验证的参考数据集，以支持未来在乳腺超声CAD领域的研究。

提出的方法

• 作者收集并整理了一个包含562幅B型乳腺超声图像的数据集，由专家放射科医生手动勾画肿瘤边界。
• 该数据集已公开发布，以确保各研究团队之间的可重现性和标准化。
• 使用相同的基准数据集和标准评估指标（如Dice、Jaccard、HD95）对五种最先进分割模型进行了评估。
• 通过通用的评估协议对各方法的性能进行定量比较，以确保公平性和一致性。
• 该基准包含多种类型的肿瘤和不同图像质量，以反映真实临床环境中的多样性。

实验结果

研究问题

• RQ1 在标准化的公开数据集上，当前最先进的乳腺肿瘤分割算法的性能水平如何？
• RQ2 哪些分割策略在不同超声图像特征下能产生最稳健和准确的结果？
• RQ3 在真实临床数据上，不同深度学习架构在分割准确性和泛化能力方面如何比较？
• RQ4 使用共享基准在多大程度上提升了乳腺超声分割研究的可靠性和可比性？

主要发现

• BUSIS基准提供了一个标准化的、公开可获取的562幅标注乳腺超声图像数据集，支持方法间的统一评估。
• 定量比较揭示了五种评估的最先进分割模型之间存在显著的性能差异。
• 表现最佳的方法达到了0.82的平均Dice分数，表明该基准上性能的当前上限。
• 结果表明，采用注意力机制和多尺度特征融合的深度学习架构能实现更优的分割准确性。