[论文解读] Conditional Generative Adversarial and Convolutional Networks for X-ray Breast Mass Segmentation and Shape Classification

Vivek Kumar Singh, Santiago Romaní+10 more|arXiv (Cornell University)|May 25, 2018

AI in cancer detection参考文献 14被引用 5

一句话总结

该论文提出了一种结合U-Net与自编码器结构的条件生成对抗网络（cGAN），用于实现X射线乳腺肿块的精确分割及后续形状分类。cGAN框架通过与真实标签保持对抗一致性，提升了分割性能，在公开数据集和私有数据集上分别实现了超过94%的Dice系数和89%的Jaccard指数；同时，一个独立的CNN将分割后的肿块分类为四种形状类型，准确率达到72%。

ABSTRACT

This paper proposes a novel approach based on conditional Generative Adversarial Networks (cGAN) for breast mass segmentation in mammography. We hypothesized that the cGAN structure is well-suited to accurately outline the mass area, especially when the training data is limited. The generative network learns intrinsic features of tumors while the adversarial network enforces segmentations to be similar to the ground truth. Experiments performed on dozens of malignant tumors extracted from the public DDSM dataset and from our in-house private dataset confirm our hypothesis with very high Dice coefficient and Jaccard index (>94% and >89%, respectively) outperforming the scores obtained by other state-of-the-art approaches. Furthermore, in order to detect portray significant morphological features of the segmented tumor, a specific Convolutional Neural Network (CNN) have also been designed for classifying the segmented tumor areas into four types (irregular, lobular, oval and round), which provides an overall accuracy about 72% with the DDSM dataset.

研究动机与目标

• 解决在低对比度、噪声较大的乳腺X线图像中，且训练数据有限的情况下，实现乳腺肿块精确分割的挑战。
• 通过利用条件生成对抗网络，借助对抗训练强化真实感与边界保真度，提升分割的鲁棒性。
• 将分割后的肿瘤区域分类为四种形态学形状类型（不规则、分叶状、椭圆形、圆形），以期与分子亚型建立关联。
• 在公开（DDSM）和私有院内数据集上评估cGAN分割方法的性能，并与FCN、U-Net和CRFCNN进行比较。
• 在私有临床数据集中探索肿瘤形状与分子亚型（Luminal-A/B、HER-2、基底样）之间的相关性。

提出的方法

• 采用cGAN框架，其中生成器学习根据输入的乳腺X线ROI图像裁剪图生成乳腺肿块的二值掩码。
• 生成器网络采用U-Net或自编码器结构，结合编码器特征提取与跳跃连接或无跳跃连接。
• 判别器网络将生成的掩码与真实标签掩码进行比较，以强化生成结果的真实感与边界精确性。
• 对抗损失与二元交叉熵损失及L1损失相结合，用于优化生成器，提升分割的保真度。
• 对生成的掩码应用后处理形态学滤波（腐蚀与膨胀），以去除小的伪影。
• 在二值掩码上训练一个独立的轻量化CNN，采用10折交叉验证，将肿瘤形状分类为四种类别。

实验结果

研究问题

• RQ1 条件生成对抗网络架构是否能提升乳腺肿块分割的准确性，尤其是在训练数据有限的情况下？
• RQ2 在cGAN生成器中引入跳跃连接（U-Net与自编码器对比）对公开与私有数据集上的分割性能有何影响？
• RQ3 所提出的cGAN分割流程在Dice系数与Jaccard指数方面是否优于当前最先进模型（如FCN、U-Net与CRFCNN）？
• RQ4 简单的CNN能否从二值掩码中有效分类肿瘤形状并实现高准确率？
• RQ5 在临床数据中，肿瘤形状（不规则、分叶状、椭圆形、圆形）与分子亚型（Luminal-A/B、HER-2、基底样）之间是否存在统计学上显著的相关性？

主要发现

• cGAN-Unet在DDSM测试集上达到95.55%的Dice系数与86.48%的Jaccard指数，优于FCN、U-Net与CRFCNN。
• 在私有院内数据集中，cGAN-AutoEnc达到94.81%的Dice分数与80.08%的Jaccard指数，灵敏度达97.26%，表明其在肿瘤区域检测方面表现更优。
• 与基线FCN相比，cGAN模型在DDSM数据集上的Dice系数提升6%，Jaccard指数提升9%。
• 在DDSM数据集上，通过10折交叉验证，形状分类CNN的整体准确率达到72%。
• 在私有数据集中，Luminal-A与Luminal-B亚型主要与不规则和分叶状形状相关，而椭圆形与圆形形状在HER-2与基底样亚型中更为常见。
• cGAN-AutoEnc模型在私有数据集上的泛化能力优于cGAN-Unet，表明在数据有限时，更简单的架构可能学习到更鲁棒的肿瘤特征。