[論文レビュー] A Comprehensive Review of Computer-aided Whole-slide Image Analysis: from Datasets to Feature Extraction, Segmentation, Classification, and Detection Approaches

Chen Li, Xintong Li+9 more|arXiv (Cornell University)|Feb 21, 2021

AI in cancer detection被引用数 10

ひとこと要約

本レビューは、デジタル病理学における全スライド画像（WSI）解析のための最先端の機械学習手法を包括的に統合し、データセット、特徴抽出、セグメンテーション、分類、検出をカバーしている。深層学習—特にセグメンテーションにはU-Net、分類にはCNN—が従来手法を上回っていることが強調され、限られたアノテーション付きデータセットや、効率的で解釈可能なモデルの必要性といった主な課題が明らかになった。

ABSTRACT

With the development of computer-aided diagnosis (CAD) and image scanning technology, Whole-slide Image (WSI) scanners are widely used in the field of pathological diagnosis. Therefore, WSI analysis has become the key to modern digital pathology. Since 2004, WSI has been used more and more in CAD. Since machine vision methods are usually based on semi-automatic or fully automatic computers, they are highly efficient and labor-saving. The combination of WSI and CAD technologies for segmentation, classification, and detection helps histopathologists obtain more stable and quantitative analysis results, save labor costs and improve diagnosis objectivity. This paper reviews the methods of WSI analysis based on machine learning. Firstly, the development status of WSI and CAD methods are introduced. Secondly, we discuss publicly available WSI datasets and evaluation metrics for segmentation, classification, and detection tasks. Then, the latest development of machine learning in WSI segmentation, classification, and detection are reviewed continuously. Finally, the existing methods are studied, the applicabilities of the analysis methods are analyzed, and the application prospects of the analysis methods in this field are forecasted.

研究の動機と目的

• デジタル病理学におけるコンピュータ支援全スライド画像（WSI）解析手法の体系的レビューを提供すること。
• セグメンテーション、分類、検出タスクのための公開済みWSIデータセットと標準評価指標を分析すること。
• 特に深層学習を含む機械学習技術の進化とWSI解析タスクにおけるパフォーマンスを評価すること。
• 大規模なアノテーション付きデータセットの不足やモデルの解釈可能性の欠如といった、現在のアプローチの限界を特定すること。
• 臨床応用に向けた今後の研究方向性、特に効率的で説明可能な深層学習モデルの予測すること。

提案手法

• アノテーション品質とタスク固有の有用性に重点を置いて、TCGA や Camelyon1-HE を含む公開済みWSIデータセットを調査・分類した。
• 手作業による特徴（色、テクスチャ、形状）と事前学習済みCNNからの深層学習特徴を含む特徴抽出技術をレビューした。
• しきい値処理、領域ベース、グラフベース、クラスタリング、深層学習アプローチを区別してセグメンテーション手法を分析し、U-Net が主要なアーキテクチャとして浮き彫りになった。
• 特に腫瘍検出を目的として、アンサンブル学習、複数インスタンス学習（MIL）、および畳み込みニューラルネットワーク（CNN）に焦点を当てた分類手法を評価した。
• 病理的構造の同定に応用されたWSIにおける、Mask R-CNN、YOLO、コンテキスト対応ネットワークを含むオブジェクト検出手法を調査した。
• Diceスコア、AUC、精度、再現率、F1スコアといったパフォーマンス指標をタスクごとに評価し、評価の標準化に重点を置いた。

Figure 1: The workflow of the proposed whole-slide imaging. (1) is the glass slide Amin-2008-AWSI . (2) whole mount glass slides. (3) whole slide imaging scanner. (4) digital whole image Farahani-2015-WSIP .

実験結果

リサーチクエスチョン

• RQ1 現在の研究で最も広く使われているWSIデータセットは何か？ それらのアノテーションは、どのような解析タスクを支援しているか？
• RQ2 WSI解析における特徴抽出技術は、手作業によるものから深層学習ベースの表現へとどのように進化したか？
• RQ3 U-Net やその他の深層学習モデルは、古典的手法と比較して、WSIセグメンテーションにおいてどのような主な利点と制限を有しているか？
• RQ4 アンサンブル学習とMILは、WSIを用いた診断における分類パフォーマンスをどのように向上させるか？
• RQ5 高解像度WSIにおける病理的オブジェクトを同定するための、最も有望な検出フレームワークは何か？ また、スケールとコンテキストをどのように処理しているか？

主な発見

• U-Net を含む深層学習モデルは、優れた性能とノイズ耐性から、WSIセグメンテーションの標準的手法となった。
• TCGA と Camelyon1-HE は、WSI研究で最も頻繁に使用されるデータセットであり、特に Camelyon1-HE は乳がん検出のベンチマークとして知られている。
• CNNベースのモデルは、分類および検出タスクにおいて従来の機械学習手法を上回り、標準ベンチマークで高いAUCおよびF1スコアを達成している。
• 特徴抽出は、色やテクスチャ記述子から階層的深層特徴へと進化し、下流タスクの精度を顕著に向上させた。
• 進展は見られても、現在の手法はデータセットバイアスに敏感であり、解釈性に欠けるため、臨床現場における説明可能なAIの導入が急務である。
• セマンティックコンテキストとマルチスケール特徴学習を統合した、Feature Guide Networks などのアプローチは、複雑な組織像における検出性能を向上させた。

Figure 2: The development trend of computer-aided viewing of WSIs. The horizontal direction shows the time. The vertical direction shows the cumulative number of related works in each year.