Weakly Supervised Lesion Detection and Diagnosis for Breast Cancers with Partially Annotated Ultrasound Images

要約

ディープラーニング (DL) は、乳がんの超音波ベースのコンピューター支援診断 (CAD) に非常に効果的であることが証明されています。
自動 CAD システムでは、病変の検出は次の診断にとって重要です。
ただし、既存の DL ベースの方法では、一般に、病変検出モデルと診断モデルの両方をトレーニングするために、手動で注釈を付けた膨大な量の関心領域 (ROI) ラベルとクラス ラベルが必要です。
臨床現場では、ROI ラベル、つまりグランド トゥルースが、超音波専門医の個々の経験により分類タスクに常に最適であるとは限らず、その結果、CAD モデルの診断パフォーマンスを制限する粗いアノテーションの問題が発生します。
この問題に対処するために、乳がんの超音波ベースの CAD の診断精度を高めるために、弱教師あり学習に基づいた新しい 2 段階検出および診断ネットワーク (TSDDNet) が提案されています。
特に、最初のトレーニング段階では、すべての ROI レベルのラベルが粗ラベルとみなされ、その後、候補選択メカニズムが、完全にアノテーションが付けられたサンプルと部分的にアノテーションが付けられたサンプルの両方について最適な病変領域を特定するように設計されています。
完全にアノテーションが付けられた画像の現在の ROI レベルのラベルと、部分的にアノテーションが付けられたサンプルで検出された ROI を、クラス ラベルの指導の下、弱く教師された方法で改良します。
第 2 トレーニング段階では、検出ネットワークと分類ネットワークを統合最適化のための最終 CAD モデルとして統合フレームワークに統合するための自己蒸留戦略がさらに提案され、診断パフォーマンスがさらに向上します。
提案された TSDDNet は B モード超音波データセットで評価され、実験結果は病変検出タスクと診断タスクの両方で最高のパフォーマンスを達成することを示し、有望なアプリケーションの可能性を示唆しています。

要約(オリジナル)

Deep learning (DL) has proven highly effective for ultrasound-based computer-aided diagnosis (CAD) of breast cancers. In an automaticCAD system, lesion detection is critical for the following diagnosis. However, existing DL-based methods generally require voluminous manually-annotated region of interest (ROI) labels and class labels to train both the lesion detection and diagnosis models. In clinical practice, the ROI labels, i.e. ground truths, may not always be optimal for the classification task due to individual experience of sonologists, resulting in the issue of coarse annotation that limits the diagnosis performance of a CAD model. To address this issue, a novel Two-Stage Detection and Diagnosis Network (TSDDNet) is proposed based on weakly supervised learning to enhance diagnostic accuracy of the ultrasound-based CAD for breast cancers. In particular, all the ROI-level labels are considered as coarse labels in the first training stage, and then a candidate selection mechanism is designed to identify optimallesion areas for both the fully and partially annotated samples. It refines the current ROI-level labels in the fully annotated images and the detected ROIs in the partially annotated samples with a weakly supervised manner under the guidance of class labels. In the second training stage, a self-distillation strategy further is further proposed to integrate the detection network and classification network into a unified framework as the final CAD model for joint optimization, which then further improves the diagnosis performance. The proposed TSDDNet is evaluated on a B-mode ultrasound dataset, and the experimental results show that it achieves the best performance on both lesion detection and diagnosis tasks, suggesting promising application potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google