[论文解读] Breast mass segmentation based on ultrasonic entropy maps and attention gated U-Net

Michał Byra, Piotr Jarosik+5 more|arXiv (Cornell University)|Jan 27, 2020

AI in cancer detection被引用 7

一句话总结

本文提出了一种新颖的深度学习方法，用于在超声成像中对乳腺肿块进行分割，该方法使用超声熵图而非标准超声图像。通过在从原始超声信号提取的熵图上训练注意力门控U-Net模型——以量化组织微结构——该方法实现了0.60的平均Dice分数，显著优于基于超声图像的模型（0.53），表明参数图通过提升边界可见性，可提高分割精度。

ABSTRACT

We propose a novel deep learning based approach to breast mass segmentation in ultrasound (US) imaging. In comparison to commonly applied segmentation methods, which use US images, our approach is based on quantitative entropy parametric maps. To segment the breast masses we utilized an attention gated U-Net convolutional neural network. US images and entropy maps were generated based on raw US signals collected from 269 breast masses. The segmentation networks were developed separately using US image and entropy maps, and evaluated on a test set of 81 breast masses. The attention U-Net trained based on entropy maps achieved average Dice score of 0.60 (median 0.71), while for the model trained using US images we obtained average Dice score of 0.53 (median 0.59). Our work presents the feasibility of using quantitative US parametric maps for the breast mass segmentation. The obtained results suggest that US parametric maps, which provide the information about local tissue scattering properties, might be more suitable for the development of breast mass segmentation methods than regular US images.

研究动机与目标

• 调查定量超声参数图（特别是熵图）是否能相比传统超声图像提升乳腺肿块分割性能。
• 评估从原始超声信号生成的熵图作为深度学习分割模型输入的可行性。
• 利用临床数据，比较在超声图像与熵参数图上训练的注意力门控U-Net模型的性能。
• 评估在所提出的框架中，良性与恶性乳腺肿块的分割性能是否存在差异。

提出的方法

• 使用滑动窗口技术在原始超声信号的希尔伯特变换幅度样本上生成熵参数图，应用熵公式 $ E = -\int f(A)\ln f(A)\,dA $ 以估计局部组织微结构。
• 分割模型采用注意力门控U-Net架构，通过在跳跃连接上应用注意力门控机制，聚焦于相关区域，从而增强特征学习。
• 通过使用ImageNet预训练的VGG19权重初始化前两个卷积块，并采用匹配层方法将其适配为灰度输入，实现迁移学习。
• 将超声图像和熵图调整为224×224以兼容VGG19，模型使用Dice损失函数进行训练，并结合早停法和衰减学习率。
• 训练期间应用数据增强，后处理中采用形态学闭合操作以优化分割掩膜。
• 模型在269个乳腺肿块（123个恶性，146个良性）上进行训练，并在保留的测试集81个肿块上进行评估。

实验结果

研究问题

• RQ1 与标准超声图像相比，从原始超声信号生成的熵参数图是否能提升深度学习模型中乳腺肿块分割性能？
• RQ2 在熵图上应用注意力门控U-Net架构是否能提升分割精度？
• RQ3 当使用熵图作为输入时，良性与恶性乳腺肿块的分割性能是否存在显著差异？
• RQ4 从VGG19进行迁移学习在熵图与超声图像上的分割模型性能提升方面，其影响程度如何？
• RQ5 像熵这样的参数图是否能提供更具区分性的组织纹理信息，从而有助于定义模糊的肿块边界？

主要发现

• 在熵图上训练的注意力U-Net模型实现了0.60的平均Dice分数（中位数0.71），显著高于基于超声图像模型的0.53（中位数0.59）。
• 使用熵图时，恶性肿块的中位Dice分数为0.70，而超声图像为0.60，表明边界勾勒更加清晰。
• 使用熵图时，良性肿块的中位Dice分数为0.72，而超声图像为0.58，表明在各类肿块中均表现出一致的性能提升。
• 基于熵图的模型的Jaccard分数为0.49（中位数0.54），而基于超声图像的模型为0.39（中位数0.42），进一步证实了更高的重叠度。
• 无论是哪种模型，良性与恶性肿块之间的分割性能均无统计学上显著差异，表明模型具有稳定的泛化能力。
• 视觉检查确认，熵图中肿块边界更加清晰，这可能是分割精度提升的主要原因。