[论文解读] Automated Detection of Individual Micro-calcifications from Mammograms using a Multi-stage Cascade Approach

Zhi Lu, Gustavo Carneiro+2 more|arXiv (Cornell University)|Oct 7, 2016

AI in cancer detection参考文献 4被引用 7

一句话总结

该论文提出一种基于提升分类器的多阶段级联方法，用于在乳腺X线摄影中检测单个微钙化（μC），通过在聚类前基于形状和外观特征对候选区域进行分类，显著降低了误报率。在INbreast数据集上，该方法在每幅图像1个误报（FPI）时达到40%的真正例率（TPR），在10个FPI时达到80%，显著优于先前的最先进方法。

ABSTRACT

In mammography, the efficacy of computer-aided detection methods depends, in part, on the robust localisation of micro-calcifications ($μ$C). Currently, the most effective methods are based on three steps: 1) detection of individual $μ$C candidates, 2) clustering of individual $μ$C candidates, and 3) classification of $μ$C clusters. Where the second step is motivated both to reduce the number of false positive detections from the first step and on the evidence that malignancy depends on a relatively large number of $μ$C detections within a certain area. In this paper, we propose a novel approach to $μ$C detection, consisting of the detection \emph{and} classification of individual $μ$C candidates, using shape and appearance features, using a cascade of boosting classifiers. The final step in our approach then clusters the remaining individual $μ$C candidates. The main advantage of this approach lies in its ability to reject a significant number of false positive $μ$C candidates compared to previously proposed methods. Specifically, on the INbreast dataset, we show that our approach has a true positive rate (TPR) for individual $μ$Cs of 40\% at one false positive per image (FPI) and a TPR of 80\% at 10 FPI. These results are significantly more accurate than the current state of the art, which has a TPR of less than 1\% at one FPI and a TPR of 10\% at 10 FPI. Our results are competitive with the state of the art at the subsequent stage of detecting clusters of $μ$Cs.

研究动机与目标

• 为减少现有计算机辅助检测系统中常见的单个微钙化检测误报率。
• 通过在处理流程早期利用形状和外观特征过滤误报，提高微钙化检测的可靠性。
• 在不依赖独立聚类分类步骤的前提下，保持高水平的聚类检测性能。
• 开发一种更稳健、更准确的早期乳腺癌检测流程，利用乳腺影像中的微钙化。

提出的方法

• 该方法使用多阶段级联的RUSBoost分类器，从预处理后的乳腺X线图像中检测单个微钙化候选区域。
• 将单个微钙化候选区域缩放为12×12像素的图像块，并利用连通域提取的形状和外观特征进行分析。
• 在第二阶段应用一个包含1,000个弱学习器的专用RUSBoost分类器，根据其特征将候选区域分类为真阳性或假阳性。
• 最后一步使用几何邻近性和密度标准对剩余高置信度的单个检测结果进行聚类，从而取代独立的聚类分类步骤。
• 该流程在INbreast数据集上通过交叉验证进行训练与验证，模型选择在验证子集上完成。
• 性能通过自由响应受试者工作特征（FROC）曲线以及考虑个体检测重叠阈值为0.5、聚类检测共享聚类成员关系的基于病例的ROC曲线进行评估。

实验结果

研究问题

• RQ1 级联的提升分类器是否能有效降低单个微钙化检测的误报率，同时保持较高的真正例检测率？
• RQ2 基于形状和外观特征对单个微钙化候选区域进行过滤，是否能提升后续聚类检测的性能？
• RQ3 与标准的三步CADe流程相比，该方法在单个微钙化检测准确性方面表现如何？
• RQ4 移除最后一步聚类分类步骤对整体检测性能的影响有多大？

主要发现

• 所提方法在每幅图像1个误报（FPI）时，单个微钙化检测的真正例率（TPR）达到40%，显著优于先前最先进方法，后者在相同FPI水平下TPR不足1%。
• 在10个FPI时，该方法的单个微钙化TPR达到80%，而当前最先进方法仅为10%。
• 该方法在聚类检测方面保持了具有竞争力的性能，FROC曲线和基于病例的ROC曲线结果与基线方法的已发表结果一致。
• 视觉结果表明，该方法在正常乳腺X线图像中表现出稳健的检测能力，并能准确识别复杂病例中的单个及聚集性微钙化。
• 该方法有效减少了真阳性聚类中的误报，而这些误报在标准流程中通常会被保留，从而提升了诊断的可靠性。