[论文解读] An Efficient Solution for Breast Tumor Segmentation and Classification in Ultrasound Images Using Deep Adversarial Learning

Vivek Kumar Singh, Hatem A. Rashwan+6 more|arXiv (Cornell University)|Jul 1, 2019

AI in cancer detection参考文献 18被引用 27

一句话总结

本文提出了一种结合空洞卷积与通道加权的深度对抗学习框架，应用于条件生成对抗网络（cGAN），以实现超声图像中乳腺肿瘤的精确分割与分类。该模型在Dice分数达到93.76%、IoU达到88.82%的情况下实现最先进性能，并利用分割掩膜中的形状特征实现85%的良性或恶性肿瘤分类准确率。

ABSTRACT

This paper proposes an efficient solution for tumor segmentation and classification in breast ultrasound (BUS) images. We propose to add an atrous convolution layer to the conditional generative adversarial network (cGAN) segmentation model to learn tumor features at different resolutions of BUS images. To automatically re-balance the relative impact of each of the highest level encoded features, we also propose to add a channel-wise weighting block in the network. In addition, the SSIM and L1-norm loss with the typical adversarial loss are used as a loss function to train the model. Our model outperforms the state-of-the-art segmentation models in terms of the Dice and IoU metrics, achieving top scores of 93.76% and 88.82%, respectively. In the classification stage, we show that few statistics features extracted from the shape of the boundaries of the predicted masks can properly discriminate between benign and malignant tumors with an accuracy of 85%$

研究动机与目标

• 解决低对比度、斑点噪声污染且肿瘤形态多变的乳腺超声图像带来的挑战。
• 通过增强多尺度特征学习并平衡高层特征表示，提升肿瘤分割的准确性。
• 利用深度对抗学习开发端到端的解决方案，实现乳腺肿瘤的同步分割与分类。
• 证明从分割掩膜中提取的形状统计特征可有效将肿瘤分类为良性或恶性。

提出的方法

• 在编码器的En3与En4层之间集成空洞卷积模块，以扩展感受野并捕获多尺度肿瘤特征，同时不增加参数量。
• 在最深层编码器层（En7）之后引入通道加权（CAW）模块，以动态重新平衡通道特征的重要性，提升表征学习能力。
• 采用带有编码器与解码器层之间跳跃连接的条件生成对抗网络（cGAN）架构，以保留空间细节并改善掩膜生成质量。
• 采用混合损失函数，结合对抗损失、L1范数损失与SSIM损失，以稳定训练过程并增强生成分割掩膜的结构相似性。
• 在解码器层中应用批量归一化、LeakyReLU（斜率0.2）与ReLU激活函数，并引入Dropout，以提升训练稳定性和泛化能力。
• 从预测的二值掩膜中提取四种统计形状特征（如周长、面积、偏心率等），用于后续肿瘤分类。

实验结果

研究问题

• RQ1 空洞卷积能否提升从超声图像中进行乳腺肿瘤分割的多尺度特征学习能力？
• RQ2 所提出的通道加权模块是否能增强分割网络中高层特征的判别能力？
• RQ3 对抗损失、L1损失与SSIM损失的组合能否生成更精确且结构一致的分割掩膜？
• RQ4 从分割掩膜中提取的基于形状的特征能否可靠地将肿瘤分类为良性或恶性？
• RQ5 所提出的模型在BUS数据集上与最先进分割与分类方法相比表现如何？

主要发现

• 所提模型的Dice分数达到93.76%，IoU为88.82%，优于所有对比模型，包括UNet、DCGAN与cGAN。
• 模型性能波动极小，Dice与IoU箱线图中无异常值，表明在测试样本中具有高度鲁棒性。
• 仅添加CAW模块即可使Dice分数从cGAN的86.04%提升至90.65%，证明其在特征表征方面的显著影响。
• 分类阶段仅使用分割掩膜中提取的四种形状统计特征，即实现85%的准确率，较基线方法提升2%。
• 视觉对比显示，所提模型生成的肿瘤边界分割最精确，假阳性和假阴性最少。
• 模型的分割性能稳定且一致，置信区间狭窄（如Dice ±0.037），表明具有高度可重复性。