[论文解读] AUNet: Breast Mass Segmentation of Whole Mammograms.

Hui Sun, Cheng Li+2 more|arXiv (Cornell University)|Oct 24, 2018

AI in cancer detection被引用 2

一句话总结

该论文提出AUNet，一种用于直接全乳腺X线摄影图像中乳腺肿块分割的新型注意力引导密集上采样网络。该网络采用非对称编码器-解码器结构，并引入注意力引导的密集上采样（AU）模块，以增强特征融合并保留空间细节。AUNet在CBIS-DDSM数据集上达到81.8%的Dice分数，在INbreast数据集上达到79.1%，性能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

• 解决在信噪比较低且肿块形状和大小多样的全乳腺X线图像中实现精确乳腺肿块分割的挑战。
• 通过直接在全幅图像上进行分割，消除对手动或易出错的图像块提取的依赖。
• 通过新型上采样机制提升解码路径中的特征恢复与融合能力。
• 通过通道注意力机制突出具有信息量的通道，从而提升分割精度。
• 在无需依赖局部图像块的前提下，在基准乳腺X线图像数据集中实现最先进性能。

提出的方法

• AUNet采用非对称编码器-解码器架构，以有效捕捉全乳腺X线图像中的多尺度特征。
• 核心创新在于注意力引导的密集上采样（AU）模块，该模块结合密集上采样与注意力机制，以减少信息损失。
• AU模块相比标准上采样方法，能更有效地融合高层语义特征与低层空间细节。
• 在AU模块中集成通道注意力机制，以突出具有更丰富判别信息的通道。
• 通过二元交叉熵损失与Dice损失联合训练网络，实现端到端优化以提升分割性能。
• 该方法避免了基于图像块的预处理，支持在全分辨率乳腺X线图像上直接进行推理。

实验结果

研究问题

• RQ1 全卷积网络是否能在不依赖图像块提取的情况下实现更优的乳腺肿块分割精度？
• RQ2 注意力引导的密集上采样模块在解码过程中对恢复空间细节和改善特征融合的效率如何？
• RQ3 在具有多样的肿块表现且对比度较低的乳腺X线图像中，通道注意力在多大程度上提升了分割性能？
• RQ4 AUNet与当前最先进全卷积网络在标准全乳腺X线图像分割基准上的表现相比如何？
• RQ5 所提出的架构是否能在成像协议和肿块特征各不相同的多样化数据集中保持高性能？

主要发现

• 在CBIS-DDSM数据集中，AUNet实现了81.8%的Dice相似系数，优于三种当前最先进全卷积网络。
• 在INbreast数据集中，AUNet取得了79.1%的Dice分数，表明其在不同基准数据集上均表现出一致的优越性。
• 与标准双线性上采样相比，注意力引导的密集上采样模块显著减少了信息损失。
• 通道注意力的引入增强了模型聚焦于具有信息量的特征通道的能力，从而提升了分割精度。
• 通过消除对图像块提取的需求，AUNet简化了分割流程，并避免了定位步骤中可能引入的误差传播。
• 非对称编码器-解码器设计在全乳腺X线图像分析中有效平衡了特征抽象与空间细节保留。