医学论文笔记：TMI2021 SMU-Net: Saliency-Guided Morphology-Aware U-Net for Breast Lesion Segmentation ...

乳腺超声分割：

文章指出周围组织（即背景）和病变区域（即前景）之间的模式复杂性和强度相似性给病变分割带来了挑战。考虑到背景中包含如此丰富的纹理信息，很少有方法尝试探索和利用背景显着表示来辅助前景分割。 此外，BUS 图像的其他特征，即 1）低对比度外观和模糊边界，以及 2）病灶形状和位置变化显着，也增加了准确病灶分割的难度。

文中提出了saliency-guided morphology-aware U-Net (SMU-Net)。

Method:

1.Saliency Map Generation：

利用saliency map生成高潜力的显著性区域来引导前景和背景的表征学习。sm合并低维度和高维度图像结构，其中，低维度利用超像素聚类(superpixel clustering)，高维度利用区域聚类(region grouping)。

1) Low-Level Saliency Map:

超像素聚类局部相似像素点，但因为超声影像组织和周围其他区域外观相似，并且病变组织是多变的，简单的聚类很难获得。

选择三个不同簇数，并随机手动选择目标区域中的种子点，对于每张置信度图，选择种子点所在的区域合并。

2）High-Level Saliency Map:

超像素只局限在局部信息，忽略了物体的整个信息。此外，由于病变的大小差异很大，基于单尺度图像的显着图生成将导致省略相对较小的区域。

使用hierarchical clustering，再聚集，得到multi-scale cluster hierarchy

2.Network Architecture

 

1）Main Network and Auxiliary Network: 均为U-Net

2) The Middle Stream: 四个block，每个由 background-assisted fusion, shape-aware, edge-aware and position-aware units组成

a) Background-assisted fusion unit:

 

b) Shape-aware unit:

预测图P+形状约束图Y，l_c=mse(P,Y)

 

 

 

c) Edge-aware unit:

边界信息可以保持目标的完整性和唯一性

d) Position-aware unit:

位置引导图由原始图片和三个种子点的中心确定

3. Hybrid Loss Function

主网络loss + middle steam loss + shape-aware loss

前两个用dice+CE。

Datasets and Experimen：

五个数据集+三个交叉验证、另外两个额外验证

Comparison With State-of-the-Art Methods：1表+1图

Efficacy of Auxiliary Network and Background-Assisted Fusion Unit：消融实验，一张表

Efficacy of Morphology-Aware Units：消融实验，一张箱状图

Parameter Analysis：（两个图）

a)关于Saliency Map Generation中，种子点数目 + w_l、w_h参数变化率

b)混合loss中超参数

Robustness Analysis：（四个表）

a) Robustness on Benign and Malignant Lesion Segmentation: 恶性比良性难分割，三个数据集在三种B、M比例下的结果

b)Robustness on Lesion Size: 将数据集中不同的大小区分来，看测试结果

c)Robustness on Lesion Shape::按是否为凸形分成常规形状和非常规形状，看测试结果

d) Robustness on Seed Point Position:种子点生成需要简单的用户交互，我们讨论了不同观察者提供的种子点位置对所提方法性能的影响。

Discussion：

A. External Validation:一张表

B.Comparison With Semi-Automatic Interactive Methods：一张图+一张表

C. Comparison With Auto-Context-Based Methods：一张图+一张表