[论文解读] Breast Mass Segmentation and Shape Classification in Mammograms Using Deep Neural Networks.

Vivek Kumar Singh, Hatem A. Rashwan+9 more|arXiv (Cornell University)|Sep 5, 2018

AI in cancer detection被引用 4

一句话总结

本文提出一种用于乳腺X线摄影中乳腺肿块精确分割的条件生成对抗网络（cGAN），在Dice系数达到94%、交并比（IoU）达到87%的同时，还提出一种基于CNN的形状分类器，可将肿块分类为四种形状，准确率达80%，在公开和私有数据集上均优于当前最先进方法。

ABSTRACT

Mammogram analysis to manually extract breast masses is a tough assignment that radiologists must frequently carry out. Therefore, image analysis methods are needed for the detection and delineation of breast masses, which portray crucial morphological information that will support reliable diagnosis. In this paper, we proposed a conditional Generative Adversarial Network (cGAN) devised to segment a breast mass within a region of interest (ROI) in a mammogram. The generative network learns to recognize the breast mass area and to create the binary mask that outlines the breast mass. In turn, the adversarial network learns to distinguish between real (ground truth) and synthetic segmentations, thus enforcing the generative network to create binary masks as realistic as possible. The cGAN works well even when the number of training samples are limited. Therefore, the proposed method outperforms several state-of-the-art approaches. This hypothesis is corroborated by diverse experiments performed on two datasets, the public INbreast and a private in-house dataset. The proposed segmentation model provides a high Dice coefficient and Intersection over Union (IoU) of 94% and 87%, respectively. In addition, a shape descriptor based on a Convolutional Neural Network (CNN) is proposed to classify the generated masks into four mass shapes: irregular, lobular, oval and round. The proposed shape descriptor was trained on Digital Database for Screening Mammography (DDSM) yielding an overall accuracy of 80%, which outperforms the current state-of-the-art.

研究动机与目标

• 为解决放射科医生在乳腺X线摄影中手动分割乳腺肿块耗时且易出错的挑战。
• 开发一种深度学习模型，即使在训练数据有限的情况下也能实现对乳腺肿块的精确分割。
• 将分割后的肿块分类为四种形态学形状——不规则、分叶状、椭圆形和圆形，以提升诊断支持能力。
• 在分割和形状分类性能方面超越现有最先进方法。

提出的方法

• 采用条件生成对抗网络（cGAN），其中生成器学习从乳腺X线摄影中的感兴趣区域（ROI）生成勾勒乳腺肿块的二值掩码。
• 判别器网络用于区分真实的真实掩码与生成器生成的合成掩码，以确保分割输出的真实性。
• cGAN通过对抗损失端到端训练，即使在训练样本有限的情况下，也能提升生成掩码的保真度。
• 在DDSM数据集上独立训练基于CNN的形状描述符，用于将分割掩码分类为四种形状类别。
• 在两个数据集上评估分割模型：公开的INbreast数据集和私有的院内数据集，使用Dice系数和IoU指标。
• 在DDSM数据集上评估形状分类模型的整体准确率，并与现有方法进行性能比较。

实验结果

研究问题

• RQ1 基于cGAN的方法是否能在训练数据有限的情况下实现对乳腺X线摄影中肿块的高精度分割？
• RQ2 与当前最先进方法相比，所提出的cGAN在乳腺肿块分割的Dice系数和IoU方面表现如何？
• RQ3 在DDSM数据集上训练的基于CNN的形状描述符是否能实现优于现有方法的分类准确率？
• RQ4 分割与形状分类的集成在多大程度上提升了乳腺X线摄影中的诊断支持能力？

主要发现

• 所提出的cGAN在INbreast和院内数据集的联合测试中，Dice系数达到94%，交并比（IoU）达到87%，表明分割精度极高。
• 该模型在低数据场景下显著优于多种当前最先进方法，展现出优异的分割性能。
• 基于CNN的形状描述符在DDSM数据集上实现了80%的整体分类准确率，超越了当前最先进方法。
• 分割模型在多种乳腺X线图像中表现出强鲁棒性，包括边界细微或复杂的图像。
• 分割与形状分类的集成提供了一个全面的工具，可支持放射科医生进行早期且准确的诊断。