[论文解读] Automated soft tissue lesion detection and segmentation in digital mammography using a u-net deep learning network

Timothy de Moor, Alejandro Rodríguez‐Ruiz+3 more|arXiv (Cornell University)|Feb 19, 2018

AI in cancer detection参考文献 5被引用 23

一句话总结

本研究提出一种基于U-Net的深度学习模型，用于在数字乳腺X线摄影中自动检测和分割软组织病变，实现每例检查7.81个假阳性时的98%敏感度。该方法利用端到端学习实现病变的定位与分割，为计算机辅助诊断系统提供改进的候选病灶选择，并具备纵向病变追踪的潜力。

ABSTRACT

Computer-aided detection or decision support systems aim to improve breast cancer screening programs by helping radiologists to evaluate digital mammography (DM) exams. Commonly such methods proceed in two steps: selection of candidate regions for malignancy, and later classification as either malignant or not. In this study, we present a candidate detection method based on deep learning to automatically detect and additionally segment soft tissue lesions in DM. A database of DM exams (mostly bilateral and two views) was collected from our institutional archive. In total, 7196 DM exams (28294 DM images) acquired with systems from three different vendors (General Electric, Siemens, Hologic) were collected, of which 2883 contained malignant lesions verified with histopathology. Data was randomly split on an exam level into training (50\%), validation (10\%) and testing (40\%) of deep neural network with u-net architecture. The u-net classifies the image but also provides lesion segmentation. Free receiver operating characteristic (FROC) analysis was used to evaluate the model, on an image and on an exam level. On an image level, a maximum sensitivity of 0.94 at 7.93 false positives (FP) per image was achieved. Similarly, per exam a maximum sensitivity of 0.98 at 7.81 FP per image was achieved. In conclusion, the method could be used as a candidate selection model with high accuracy and with the additional information of lesion segmentation.

研究动机与目标

• 开发一种基于深度学习的数字乳腺X线摄影候选病灶检测系统，以提高敏感度并减少假阳性。
• 将病变分割整合到检测流程中，以支持病变变化的纵向监测。
• 通过FROC分析，在多个设备厂商和成像协议下评估性能。
• 通过提供稳健的自动化检测框架，应对阅片者差异性和漏诊问题。
• 探索未来将该模型扩展至乳腺断层合成摄影和模拟乳腺X线摄影的可行性。

提出的方法

• 在三家厂商（通用电气、西门子、惠普）的28,294张数字乳腺X线摄影图像（来自7,196例检查）上，端到端训练了U-Net架构。
• 图像经过预处理，包括能量带归一化、高斯滤波、下采样至200 µm，以及像素值缩放至[0,1]。
• 通过活检证实的恶性病变的逐个手动勾画创建了真实标签分割，病变中心通过质心计算得出。
• 通过在不同阈值T下对U-Net输出的概率图进行阈值处理，随后在1.5 cm范围内对候选病灶聚类，以减少冗余。
• 采用FROC分析评估性能：若候选病灶落在病变质心1.5 cm范围内，则判定为正确检测。
• 模型在50%的检查中进行训练，10%用于验证，40%用于测试，性能在图像级和检查级FROC曲线上进行评估。

实验结果

研究问题

• RQ1 基于U-Net的深度学习模型能否在检测数字乳腺X线摄影中软组织病变的同时，提供准确的病变分割？
• RQ2 该模型在不同乳腺X线摄影设备厂商和成像协议下的性能表现如何？
• RQ3 整合分割功能是否能提高候选病灶检测的可靠性，并支持病变的纵向追踪？
• RQ4 在真实筛查环境中，敏感度与假阳性率之间的权衡关系如何？
• RQ5 该模型是否可扩展至其他影像模态，如数字乳腺断层合成摄影或模拟乳腺X线摄影？

主要发现

• 在图像级FROC分析中，模型在每张图像7.93个假阳性时达到最大敏感度0.94。
• 在检查级分析中，模型在每张图像7.81个假阳性时达到最大敏感度0.98，表明在检测含癌变检查方面表现优异。
• U-Net模型成功检测并分割了病变，包括形态破碎的浸润性小叶癌等具有挑战性的病例。
• 模型在不同厂商设备上表现出稳健性，但各系统间性能差异仍是其局限性。
• 某些病变在某一视角（如CC位）被遗漏，尽管在另一视角（如MLO位）已被检测，表明需要引入多视角关联分析。
• 引入分割功能为未来监测病变生长和形态变化提供了可能，有助于提升计算机辅助诊断系统的性能。