[论文解读] Fully automatic computer-aided mass detection and segmentation via pseudo-color mammograms and Mask R-CNN

Hang Min, Devin Wilson+5 more|arXiv (Cornell University)|Jun 28, 2019

AI in cancer detection参考文献 17被引用 5

一句话总结

该论文提出了一种完全自动化的计算机辅助检测系统，通过伪彩色变换和Mask R-CNN联合检测并分割乳腺X线摄影中的肿块。通过在应用Mask R-CNN的迁移学习前，利用多尺度形态学筛选增强类肿块模式，该方法在INbreast数据集上实现了每幅图像0.9个假阳性时90%的真正例率，以及0.88的Dice相似度指数用于分割。

ABSTRACT

Mammographic mass detection and segmentation are usually performed as serial and separate tasks, with segmentation often only performed on manually confirmed true positive detections in previous studies. We propose a fully-integrated computer-aided detection (CAD) system for simultaneous mammographic mass detection and segmentation without user intervention. The proposed CAD only consists of a pseudo-color image generation and a mass detection-segmentation stage based on Mask R-CNN. Grayscale mammograms are transformed into pseudo-color images based on multi-scale morphological sifting where mass-like patterns are enhanced to improve the performance of Mask R-CNN. Transfer learning with the Mask R-CNN is then adopted to simultaneously detect and segment masses on the pseudo-color images. Evaluated on the public dataset INbreast, the method outperforms the state-of-the-art methods by achieving an average true positive rate of 0.90 at 0.9 false positive per image and an average Dice similarity index of 0.88 for mass segmentation.

研究动机与目标

• 开发一种完全集成、端到端的计算机辅助检测系统，无需人工干预即可同时完成肿块检测与分割。
• 克服先前方法将检测与分割视为独立、顺序任务的局限性。
• 通过伪彩色变换增强灰度乳腺X线摄影中的类肿块模式，以提升检测与分割性能。
• 利用Mask R-CNN的迁移学习，在伪彩色图像上实现实例级别的同步检测与分割。
• 在公开的INbreast数据集上评估该方法，并展示其最先进的性能表现。

提出的方法

• 使用多尺度形态学筛选将灰度乳腺X线摄影转换为伪彩色图像，以增强类肿块结构。
• 应用一种伪彩色变换，放大与肿块相关的纹理和强度变化。
• 利用在伪彩色乳腺X线摄影上微调的迁移学习，结合Mask R-CNN实现联合检测与实例分割。
• 在变换后的图像上端到端训练Mask R-CNN模型，以预测肿块的边界框和分割掩码。
• 采用多尺度特征提取策略，以提高对小而细微的肿块模式的敏感性。
• 使用Dice相似度系数作为评估分割准确性的主要指标。

实验结果

研究问题

• RQ1 完全自动化的CAD系统是否能在无需用户干预的情况下，在肿块检测与分割两方面均实现高性能？
• RQ2 基于形态学筛选的伪彩色变换是否能提升乳腺X线摄影中类肿块模式的可检测性？
• RQ3 结合迁移学习的Mask R-CNN能否在伪彩色乳腺X线摄影上有效实现同步检测与分割？
• RQ4 与最先进方法相比，该方法在检测与分割性能方面表现如何？
• RQ5 多尺度形态学筛选对肿块检测的鲁棒性与敏感性有何影响？

主要发现

• 所提方法在INbreast数据集上实现了每幅图像0.9个假阳性时90%的真正例率，优于最先进方法。
• 肿块分割的平均Dice相似度指数达到0.88，表明预测掩码与真实掩码之间重叠度高。
• 伪彩色变换的整合显著增强了细微肿块模式的可见性，提升了模型泛化能力。
• 利用Mask R-CNN的迁移学习可实现有效的联合检测与分割，无需分阶段单独训练。
• 该方法在多种乳腺X线摄影视图及不同肿块特征（包括小而形状不规则的肿块）下均表现出稳健性能。
• 结果证实，通过统一的深度学习框架实现同步检测与分割，相比串行方法能显著提升效率与准确性。