Tumor Detection, Segmentation and Classification Challenge on Automated 3D Breast Ultrasound

Tumor Detection, Segmentation and Classification Challenge on Automated 3D Breast Ultrasound: The TDSC-ABUS Challenge 原论文链接：https://export.arxiv.org/abs/2501.15588 乳腺癌是

Tumor Detection, Segmentation and Classification Challenge on Automated 3D Breast Ultrasound: The TDSC-ABUS Challenge

原论文链接：https://export.arxiv.org/abs/2501.15588

乳腺癌是世界上女性最常见的死亡原因之一。早期检测有助于减少死亡人数。自动 3D 乳腺超声 (ABUS) 是一种较新的乳房筛查方法，与手持乳房 X 线摄影（例如乳腺癌的安全性、速度和更高的检测率）相比具有许多优势。肿瘤检测、分割和分类是医学图像分析的关键组成部分，在 3D ABUS 的背景下尤其具有挑战性，因为肿瘤大小和形状差异很大、肿瘤边界不清楚和低信噪比。缺乏公开可用的、标记良好的 ABUS 数据集进一步阻碍了乳腺肿瘤分析系统的进步。为了解决这一差距，我们组织了自动3D乳腺超声2023(TDSC-ABUS223)的口腔肿瘤检测、分割和分类挑战。这项倡议旨在在该领域开展头研究，并为与 3D ABUS 图像分析相关的任务创建了一个明确的基准。在本文中，我们总结了挑战中表现最好的算法，并为 ABUS 图像检查提供了批判性分析。我们在 https://tdsc-abus2023.grand-challenge.org/ 上提供 TDSC-ABUS 挑战作为开放访问平台，以进行基准测试并激发算法研究的未来发展。

尽管 ABUS 解决了 2D 超声的一些局限性，但它仍然对 CAD 系统提出了独特的挑战：（1）不清楚的边界：超声成像的固有特征通常会导致病变边界模糊，从而使注释和分割任务复杂化。(2)病变与背景的高度相似性：病变可能表现出与周围组织相似的特征，导致潜在的错误分类为肿瘤，或者相反，漏检。(3)病变大小和形状的广泛变化:病变的大小可能会发生很大变化，这对有效适应极端情况的算法提出了挑战。此外，肿瘤的形状可以从光滑到粗糙的纹理不等，这使得仅基于这些特征很难区分。(4) 总图像中病变比例较小：病变通常只占整个图像区域的一小部分，由于非病变组织的优势，这使得检测具有挑战性。(5)不可预测病变位置:图像中病变的位置可能高度可变，在检测过程中增加了复杂性，因为没有标准区域来聚焦分析。

我们已经建立了测量 TDSC-ABUS 挑战，这是第一个专注于 ABUS 成像中检测、分割和分类任务的三效应，从而为 ABUS CAD 算法评估提供了一个开创性的基准。• 我们对提交的算法进行了详细的分析，强调了领先团队的策略和结果。• 我们描述了一系列针对 ABUS 成像中的三个基本任务量身定制的算法方法，并根据我们的发现提供深刻的建议。

挑战数据集TDSC-ABUS挑战提供了一个数据集，包括来自哈尔滨医科大学癌症医院200张自动乳腺超声(ABUS)图像。这些图像被经验丰富的放射科医生精确注释，以勾画肿瘤边界，并将每个病例分类为恶性或良性。此外，我们从这些分割边界推导出肿瘤边界框。图像的尺寸各不相同，范围从843 × 546 × 270到865 × 682 × 354像素。该数据集的像素间距为 0.200 mm 和 0.073 mm，层间间距近似为 0.475674 mm。在纳入研究之前，所有数据都被匿名化以确保隐私和遵守道德标准。数据集中恶性病例与良性病例的分布约为 0.58 : 0.42，导致分割训练、验证和测试子集的分层采样策略，以反映这些条件的真实患病率。

最终队伍汇总情况：

多家队伍结果：

T1: Shenzhen University (SZU)

SZU通过设计三个专门的模型开发了一个统一的乳腺病变分类、分割和检测框架:CLSNet、SEGNet和DETNet，每个模型都针对各自的任务量身定制.

T2: Pohang University of Science and Technology (POSTECH)

POSTECH提出了一种多任务残差网络，用于三维乳腺超声图像病变检测。基于 3D nnUNet 架构 (Isensee et al., 2021)，他们用五个残差块增强了编码器，并采用多任务学习策略。这种方法首先进行分割，然后使用分割结果来促进病变检测。通过结合分割和检测任务，网络有效地识别肿瘤区域，提高了准确性。

T3: Heidelberg University(HU)

HU 开发了一种先进的 3D 乳腺肿瘤检测、分割和分类方法，使用最先进的框架和仔细的方法调整。

在整个方法中，整体上使用的都是现成模型，不过HU 非常强调优化模型架构和数据处理，以最大限度地提高所有任务的准确性和效率