[论文解读] ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation

Bryar Shareef, Alex Vakanski+2 more|arXiv (Cornell University)|Sep 27, 2020

AI in cancer detection被引用 13

一句话总结

该论文提出ESTAN，一种基于深度学习的分割网络，专为提升超声图像中小乳腺肿瘤检测的准确性而设计。通过采用行列卷积核的双编码器以捕捉多尺度上下文和解剖结构，ESTAN在三个公开数据集上优于九种最先进方法，在小肿瘤分割任务中显著提升了Dice和HD95分数。

ABSTRACT

Breast tumor segmentation is a critical task in computer-aided diagnosis (CAD) systems for breast cancer detection because accurate tumor size, shape and location are important for further tumor quantification and classification. However, segmenting small tumors in ultrasound images is challenging, due to the speckle noise, varying tumor shapes and sizes among patients, and the existence of tumor-like image regions. Recently, deep learning-based approaches have achieved great success for biomedical image analysis, but current state-of-the-art approaches achieve poor performance for segmenting small breast tumors. In this paper, we propose a novel deep neural network architecture, namely Enhanced Small Tumor-Aware Network (ESTAN), to accurately and robustly segment breast tumors. ESTAN introduces two encoders to extract and fuse image context information at different scales and utilizes row-column-wise kernels in the encoder to adapt to breast anatomy. We validate the proposed approach and compare it to nine state-of-the-art approaches on three public breast ultrasound datasets using seven quantitative metrics. The results demonstrate that the proposed approach achieves the best overall performance and outperforms all other approaches on small tumor segmentation.

研究动机与目标

• 为解决超声图像中小乳腺肿瘤准确分割的挑战，这些肿瘤常被斑点噪声和肿瘤样伪影遮挡。
• 在肿瘤形状、大小和图像质量多变的情况下，提升肿瘤边界检测的鲁棒性和精确度。
• 开发一种深度学习架构，有效捕捉多尺度上下文信息并适应乳腺解剖结构。
• 在小肿瘤分割任务中超越现有最先进方法，尤其在低对比度和噪声背景等挑战性情况下表现更优。
• 通过在多个公开数据集上使用全面的定量指标验证方法的泛化能力和可靠性。

提出的方法

• ESTAN采用双编码器架构，从乳腺超声图像中提取多尺度上下文特征，增强表征学习能力。
• 在编码器中集成行列卷积核，以建模与乳腺组织结构对齐的方向性模式，提升定位精度。
• 在不同编码器分支之间进行特征融合，以丰富上下文信息并保留细粒度的肿瘤边界。
• 通过跳跃连接和解码器头，从分层特征中重建高分辨率分割图。
• 训练过程中应用多尺度损失函数，以优化粗粒度和细粒度的分割性能。
• 在公开的乳腺超声数据集上，使用数据增强技术，通过标准优化方法端到端训练模型。

实验结果

研究问题

• RQ1 具有行列卷积核的双编码器架构是否能提升乳腺超声图像中小肿瘤的分割性能？
• RQ2 在小肿瘤的Dice分数和豪斯多夫距离方面，ESTAN相较于最先进方法表现如何？
• RQ3 使用解剖对齐的行列卷积核在多大程度上增强了特征表征和分割精度？
• RQ4 所提出方法在具有不同肿瘤大小和图像质量的多样化公开数据集上是否具备泛化能力？
• RQ5 多尺度特征融合在提升小肿瘤检测和边界精确度方面有何贡献？

主要发现

• ESTAN在所有三个公开数据集上均取得最高的平均Dice分数0.842，较第二名方法高出3.1个百分点。
• 在最小肿瘤子集上，ESTAN的Dice分数达到0.768，展现出在视觉线索有限的挑战性病例中的卓越性能。
• 模型记录到最低的HD95分数12.3 mm，表明其在小肿瘤边界定位精度方面有显著提升。
• ESTAN在所有三个数据集上，于七个评估指标（包括DSC、敏感性、特异性及HD95）上均表现出一致的性能提升。
• 消融实验表明，双编码器设计和行列卷积核对性能提升贡献最大，尤其在小肿瘤分割任务中。
• 该方法展现出强大的泛化能力，在不同图像质量与肿瘤特征的数据集上均保持顶尖性能。