[论文解读] Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography

Heyi Li, Dongdong Chen+3 more|arXiv (Cornell University)|Aug 7, 2020

AI in cancer detection参考文献 53被引用 12

一句话总结

本文提出DualCoreNet，一种双路卷积神经网络，通过整合局部保持学习器（LPL）进行语义特征提取和条件图学习器（CGL）进行结构边界建模，联合实现乳腺肿块分割与癌症诊断。该方法在INbreast和DDS M数据集上均达到最先进性能，分割Dice分数为93.69%，分类AUC为0.92。

ABSTRACT

Deep convolutional neural networks (CNNs) have emerged as a new paradigm for Mammogram diagnosis. Contemporary CNN-based computer-aided-diagnosis (CAD) for breast cancer directly extract latent features from input mammogram image and ignore the importance of morphological features. In this paper, we introduce a novel deep learning framework for mammogram image processing, which computes mass segmentation and simultaneously predict diagnosis results. Specifically, our method is constructed in a dual-path architecture that solves the mapping in a dual-problem manner, with an additional consideration of important shape and boundary knowledge. One path called the Locality Preserving Learner (LPL), is devoted to hierarchically extracting and exploiting intrinsic features of the input. Whereas the other path, called the Conditional Graph Learner (CGL) focuses on generating geometrical features via modeling pixel-wise image to mask correlations. By integrating the two learners, both the semantics and structure are well preserved and the component learning paths in return complement each other, contributing an improvement to the mass segmentation and cancer classification problem at the same time. We evaluated our method on two most used public mammography datasets, DDSM and INbreast. Experimental results show that DualCoreNet achieves the best mammography segmentation and classification simultaneously, outperforming recent state-of-the-art models.

研究动机与目标

• 解决传统CAD系统依赖手工设计特征以及分割与分类流程分离的局限性。
• 通过端到端深度学习框架联合学习分割与分类，提升乳腺癌诊断准确性。
• 通过双路架构整合图像中的语义特征与掩码相关性带来的结构边界特征，提升模型性能。
• 通过隐式利用图建模的掩码监督，减少对昂贵像素级标注的依赖，训练统一网络。
• 通过多尺度感兴趣区域（ROI）输入，在高分辨率和低分辨率乳腺X线图像上均实现优异性能。

提出的方法

• DualCoreNet采用双路架构：局部保持学习器（LPL）通过堆叠卷积块，从多尺度ROI中提取分层语义特征。
• 条件图学习器（CGL）建模图像与二值掩码之间的像素级相关性，生成结构特征，保留形状与边界细节。
• 两条路径通过融合损失（$\ell_{\textrm{Fusion}}$）联合训练，该损失结合分类与分割目标，通过超参数$\gamma$实现自适应加权。
• CGL路径使用图推理层以强化结构一致性，减少虚假分割区域并提升边界精度。
• 采用多尺度ROI作为输入，以捕捉与诊断相关的上下文组织信息，同时保持分割保真度。
• 在两条路径中可选地应用残差连接，以稳定训练并改善梯度流动，尤其在深层网络中有效。

实验结果

研究问题

• RQ1 双路CNN架构是否能在乳腺X线图像中联合提升肿块分割与癌症分类性能，超越现有最先进方法？
• RQ2 通过CGL整合结构边界建模与通过LPL整合语义特征学习，相比单路网络，如何提升诊断性能？
• RQ3 在多任务学习框架中，乳腺X线图像分割与分类损失之间应如何实现最优平衡？
• RQ4 使用多尺度ROI是否能提升分割与分类任务的性能，特别是在低分辨率场景下？
• RQ5 训练数据集质量（如INbreast与DDS M）如何影响所提双路网络的泛化能力与性能表现？

主要发现

• DualCoreNet在INbreast和DDS M数据集上均取得最高分割性能，INbreast的Dice分数达93.69%，DDS M为92.17%，优于现有SOTA方法。
• 在INbreast数据集上，模型癌症分类AUC达到0.92，为所有评估架构中的最佳表现。
• INbreast数据集上CGL路径的最佳配置为$\gamma = 0.65$（无残差连接），而DDS M数据集上最优$\gamma = 0.42$并采用残差学习，表明损失加权具有数据集特异性优势。
• 消融实验表明，同时使用LPL与CGL路径损失的训练配置获得最佳分类性能，Fusion + LPL路径配置次之。
• 可视化结果表明，由于图推理层施加的结构一致性，DualCoreNet能准确捕捉细微边界细节与不规则形状，且无虚假区域。
• 模型在高质量的INbreast数据集上表现显著优于DDS M数据集，性能差距明显，归因于数据质量差异。