[论文解读] Deep Angular Embedding and Feature Correlation Attention for Breast MRI Cancer Analysis

Luyang Luo, Hao Chen+6 more|arXiv (Cornell University)|Jun 7, 2019

AI in cancer detection参考文献 15被引用 6

一句话总结

本文提出了一种用于乳腺MRI癌症分析的深度学习框架，采用余弦边缘Sigmoid损失（CMSL）以增强特征在角度空间中的判别性，并引入COrrelation Attention Map（COAM）实现弱监督病变定位。该方法在包含10,290个体素的大型数据集上实现了85.5%的准确率和0.902的AUC，优于当前最先进的分类与定位方法。

ABSTRACT

Accurate and automatic analysis of breast MRI plays an important role in early diagnosis and successful treatment planning for breast cancer. Due to the heterogeneity nature, accurate diagnosis of tumors remains a challenging task. In this paper, we propose to identify breast tumor in MRI by Cosine Margin Sigmoid Loss (CMSL) with deep learning (DL) and localize possible cancer lesion by COrrelation Attention Map (COAM) based on the learned features. The CMSL embeds tumor features onto a hypersphere and imposes a decision margin through cosine constraints. In this way, the DL model could learn more separable inter-class features and more compact intra-class features in the angular space. Furthermore, we utilize the correlations among feature vectors to generate attention maps that could accurately localize cancer candidates with only image-level label. We build the largest breast cancer dataset involving 10,290 DCE-MRI scan volumes for developing and evaluating the proposed methods. The model driven by CMSL achieved classification accuracy of 0.855 and AUC of 0.902 on the testing set, with sensitivity and specificity of 0.857 and 0.852, respectively, outperforming other competitive methods overall. In addition, the proposed COAM accomplished more accurate localization of the cancer center compared with other state-of-the-art weakly supervised localization method.

研究动机与目标

• 解决乳腺MRI中肿瘤异质性带来的挑战，其中类间差异模糊且类内方差高，阻碍了准确诊断。
• 开发一种仅使用图像级别标签的弱监督方法，用于癌症病灶定位，避免昂贵的区域级别标注。
• 通过在特征空间中施加角度边缘约束，改进深度特征学习以提升肿瘤分类性能，增强类间可分性与类内紧凑性。
• 提出一种基于特征相关性的新型注意力机制（COAM），以克服传统类激活图中常见的感兴趣区域（RoI）偏移问题。

提出的方法

• 采用余弦边缘Sigmoid损失（CMSL）将深度特征嵌入超球面，并在类别之间施加基于余弦的决策边缘，以提升类间分离度与类内紧凑性。
• 将CMSL表述为带有角度边缘的改进Sigmoid损失，其损失函数依赖于特征向量与权重向量之间夹角的余弦值，包含缩放参数s（scaling）和边缘参数m（margin）。
• 利用深层特征的格拉姆矩阵构建相关性注意力图（COAM），以捕捉通道间与空间间的相关性，实现在无需边界框标注情况下的弱监督定位。
• 采用3D ResNet34作为主干网络，将全局平均池化层和全连接层替换为1×1×1卷积层后接全局平均池化，以保留空间信息。
• 采用学习率衰减和从预训练的3D ResNet34进行权重初始化的方式，端到端训练模型，同时优化分类与注意力图生成任务。
• 利用CMSL优化网络所学习的特征计算格拉姆矩阵，进而生成COAM用于定位，并使用体素间距对距离度量进行缩放。

实验结果

研究问题

• RQ1 余弦边缘损失是否能通过增强特征空间中的角度分离性，提升基于深度学习的乳腺MRI肿瘤分类中特征的判别能力？
• RQ2 所提出的COrrelation Attention Map（COAM）是否在弱监督病灶定位方面优于传统类激活图（CAM），实现更精确的癌症候选定位？
• RQ3 使用大规模DCE-MRI数据集（10,290个体素）在多大程度上提升了深度学习模型在乳腺癌分析中的泛化能力与性能表现？
• RQ4 与现有损失函数（如归一化Sigmoid损失）相比，基于CMSL的方法在相同基准测试中，其特异性、敏感性和AUC表现如何？
• RQ5 基于特征相关性的注意力机制（COAM）是否能有效缓解传统CAM方法中常见的RoI偏移问题？

主要发现

• 基于CMSL的模型实现了85.5%的分类准确率，敏感性为85.7%，特异性为85.2%，显著优于本研究中所有基线方法。
• 所提出的CMSL方法达到0.902的AUC，较次优方法（3D ResNet+NSL）高出超过2个百分点，展现出更优的判别能力。
• COAM方法将癌症病灶中心定位在距离放射科医生标注中心平均18.26 ± 13.65 mm范围内，优于CAM方法（平均距离39.84 ± 8.82 mm）。
• 与CAM相比，COAM将定位误差降低了50%以上，表明其在缓解RoI偏移问题方面的有效性。
• 3D ResNet+CMSL模型的特异性较其他方法高出超过7.9个百分点，凸显其在区分良性与恶性病例方面的鲁棒性。
• 本研究证明，将角度边缘损失与基于相关性的注意力机制相结合，可在仅使用图像级别标签的前提下，实现在弱监督分类与定位任务中的SOTA性能。