[论文解读] AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms

Hui Sun, Cheng Li+4 more|arXiv (Cornell University)|Oct 24, 2018

AI in cancer detection参考文献 76被引用 18

一句话总结

本文提出AUNet，一种新型的注意力引导密集上采样网络，用于在全幅乳腺X光片中直接进行乳腺肿块分割，避免了手动或自动的图像块提取。通过整合非对称编码器-解码器结构与注意力引导的密集上采样模块（AU模块），该模块增强了特征融合并保留了空间细节，AUNet在CBIS-DDSM数据集上实现了81.8%的Dice分数，在INbreast数据集上实现了79.1%的Dice分数，达到当前最先进水平。

ABSTRACT

Mammography is one of the most commonly applied tools for early breast cancer screening. Automatic segmentation of breast masses in mammograms is essential but challenging due to the low signal-to-noise ratio and the wide variety of mass shapes and sizes. Existing methods deal with these challenges mainly by extracting mass-centered image patches manually or automatically. However, manual patch extraction is time-consuming and automatic patch extraction brings errors that could not be compensated in the following segmentation step. In this study, we propose a novel attention-guided dense-upsampling network (AUNet) for accurate breast mass segmentation in whole mammograms directly. In AUNet, we employ an asymmetrical encoder-decoder structure and propose an effective upsampling block, attention-guided dense-upsampling block (AU block). Especially, the AU block is designed to have three merits. Firstly, it compensates the information loss of bilinear upsampling by dense upsampling. Secondly, it designs a more effective method to fuse high- and low-level features. Thirdly, it includes a channel-attention function to highlight rich-information channels. We evaluated the proposed method on two publicly available datasets, CBIS-DDSM and INbreast. Compared to three state-of-the-art fully convolutional networks, AUNet achieved the best performances with an average Dice similarity coefficient of 81.8% for CBIS-DDSM and 79.1% for INbreast.

研究动机与目标

• 解决在信噪比较低、肿块形状和大小多变的全幅乳腺X光片中实现精确乳腺肿块分割的挑战。
• 消除对手动或自动图像块提取的需求，该方法易引入误差且耗时。
• 通过增强的上采样和注意力机制，提升分割过程中的特征表示与空间细节恢复能力。
• 开发一种完全卷积神经网络，直接处理全幅乳腺X光片，无需基于图像块的预处理。
• 通过引入新型带有注意力机制和密集连接的上采样模块，在基准数据集上实现卓越的分割性能。

提出的方法

• AUNet采用非对称编码器-解码器架构，以有效捕捉全幅乳腺X光片中的多尺度特征。
• 核心创新是注意力引导的密集上采样模块（AU模块），该模块结合密集上采样与通道注意力，以减少信息损失。
• AU模块比标准上采样方法更有效地融合高层语义特征与低层空间细节。
• 通过引入通道注意力，突出具有信息量的特征通道，提升表示质量。
• AU模块内部的密集跳跃连接增强了训练过程中的特征传播与梯度流动。
• 网络通过二元交叉熵损失与Dice损失进行端到端训练，以优化分割性能。

实验结果

研究问题

• RQ1 完全卷积神经网络是否能在不依赖图像块提取的情况下，实现全幅乳腺X光片中更优的乳腺肿块分割？
• RQ2 与标准上采样方法相比，注意力引导的密集上采样在特征恢复与分割精度方面有何改进？
• RQ3 通道注意力的引入在多大程度上增强了特征图在肿块分割中的判别能力？
• RQ4 AUNet与当前最先进完全卷积神经网络在公开乳腺X光片数据集上的表现如何比较？
• RQ5 所提出的AU模块在临床乳腺X光片中多样的肿块形状、大小与噪声水平下是否具备良好的泛化能力？

主要发现

• 在CBIS-DDSM数据集上，AUNet实现了81.8%的平均Dice相似系数，优于三种当前最先进完全卷积神经网络。
• 在INbreast数据集上，AUNet实现了79.1%的Dice分数，表明其在不同成像协议与肿块类型间具有强大的泛化能力。
• 消融实验证实，AU模块的每个组件——密集上采样、注意力机制与特征融合——均对性能提升有显著贡献。
• 该网络对乳腺X光片中常见的低对比度与噪声区域表现出鲁棒性，有效保留了肿块的精细边界。
• 注意力机制成功突出了具有信息量的通道，提升了复杂解剖区域的分割精度。
• AUNet具备直接处理全幅乳腺X光片的推理能力，消除了基于图像块方法带来的误差传播问题。