[论文解读] Tumor Saliency Estimation for Breast Ultrasound Images via Breast Anatomy Modeling

Fei Xu, Yingtao Zhang+6 more|arXiv (Cornell University)|Jun 18, 2019

Visual Attention and Saliency Detection参考文献 39被引用 6

一句话总结

该论文提出了一种新颖的乳腺超声图像肿瘤显著性估计方法，通过神经连通性层分解实现乳腺解剖建模。通过利用前景和背景图、自适应中心偏置以及基于区域的相关性，该方法在两个数据集上实现了最先进性能，尤其在极端大小肿瘤的准确率方面表现优异，并能有效处理无肿瘤图像。

ABSTRACT

Tumor saliency estimation aims to localize tumors by modeling the visual stimuli in medical images. However, it is a challenging task for breast ultrasound due to the complicated anatomic structure of the breast and poor image quality; and existing saliency estimation approaches only model generic visual stimuli, e.g., local and global contrast, location, and feature correlation, and achieve poor performance for tumor saliency estimation. In this paper, we propose a novel optimization model to estimate tumor saliency by utilizing breast anatomy. First, we model breast anatomy and decompose breast ultrasound image into layers using Neutro-Connectedness; then utilize the layers to generate the foreground and background maps; and finally propose a novel objective function to estimate the tumor saliency by integrating the foreground map, background map, adaptive center bias, and region-based correlation cues. The extensive experiments demonstrate that the proposed approach obtains more accurate foreground and background maps with the assistance of the breast anatomy; especially, for the images having large or small tumors; meanwhile, the new objective function can handle the images without tumors. The newly proposed method achieves state-of-the-art performance when compared to eight tumor saliency estimation approaches using two breast ultrasound datasets.

研究动机与目标

• 为解决因复杂解剖结构和图像质量差导致的乳腺超声图像中肿瘤显著性估计准确率低的问题。
• 通过神经连通性建模乳腺组织层，改进前景和背景图的生成。
• 提出一种新目标函数，整合解剖先验、中心偏置和基于区域的相关性，以增强显著性预测性能。
• 实现在包含大肿瘤和小肿瘤以及无肿瘤病例的图像上均具备鲁棒性能。
• 在基准乳腺超声图像数据集上超越现有显著性估计方法。

提出的方法

• 利用神经连通性将乳腺超声图像分解为解剖层，以建模组织结构。
• 从分解后的层生成前景和背景图，以指导显著性估计。
• 提出一种新颖的优化目标函数，结合前景图、背景图、自适应中心偏置以及基于区域的相关性线索。
• 采用自适应中心偏置以增强图像中心附近肿瘤出现的可能性，反映解剖先验。
• 利用基于区域的相关性提升局部一致性，减少显著性图中的假阳性。
• 优化目标函数，以生成准确的肿瘤显著性图，同时保持对图像质量变化的鲁棒性。

实验结果

研究问题

• RQ1 通过神经连通性实现解剖层分解是否能提升乳腺超声图像中前景和背景图的质量？
• RQ2 整合乳腺解剖结构与中心偏置如何提升肿瘤显著性估计性能，特别是在小肿瘤或大肿瘤情况下？
• RQ3 所提出的优化目标函数能否有效处理无肿瘤图像，从而提升泛化能力？
• RQ4 该方法是否在基准乳腺超声图像数据集上优于现有显著性估计方法？
• RQ5 基于区域的相关性在多大程度上能减少肿瘤定位中的假阳性？

主要发现

• 所提方法在两个公开乳腺超声图像数据集上均达到最先进性能，优于八种现有显著性估计方法。
• 当通过神经连通性实现解剖层分解引导时，前景和背景图的准确性显著提升。
• 该方法在包含大肿瘤和小肿瘤的图像上表现更优，而以往方法常在此类情况下失效。
• 新目标函数能有效处理无肿瘤图像，保持稳定且合理的显著性图。
• 自适应中心偏置与基于区域的相关性相结合，显著降低假阳性率并提升定位准确性。
• 大量实验验证了该方法在不同图像质量与肿瘤特征下的鲁棒性与泛化能力。