[論文レビュー] A Deep Learning Study on Osteosarcoma Detection from Histological Images

DM Anisuzzaman, Hosein Barzekar+3 more|arXiv (Cornell University)|Nov 2, 2020

AI in cancer detection参考文献 22被引用数 6

ひとこと要約

本研究では、全スライド画像（WSIs）を用いて、VGG19およびInception V3を用いたトランスファーラーニングを活用したディープラーニングフレームワークを提案し、組織像からの骨肉腫悪性度の検出を実施した。バイナリ分類では96％の正確性を達成し、マルチクラス分類では93.91％を記録し、先行手法を上回り、公開された骨肉腫データセットにおいて最先端の性能を確立した。

ABSTRACT

In the U.S, 5-10\% of new pediatric cases of cancer are primary bone tumors. The most common type of primary malignant bone tumor is osteosarcoma. The intention of the present work is to improve the detection and diagnosis of osteosarcoma using computer-aided detection (CAD) and diagnosis (CADx). Such tools as convolutional neural networks (CNNs) can significantly decrease the surgeon's workload and make a better prognosis of patient conditions. CNNs need to be trained on a large amount of data in order to achieve a more trustworthy performance. In this study, transfer learning techniques, pre-trained CNNs, are adapted to a public dataset on osteosarcoma histological images to detect necrotic images from non-necrotic and healthy tissues. First, the dataset was preprocessed, and different classifications are applied. Then, Transfer learning models including VGG19 and Inception V3 are used and trained on Whole Slide Images (WSI) with no patches, to improve the accuracy of the outputs. Finally, the models are applied to different classification problems, including binary and multi-class classifiers. Experimental results show that the accuracy of the VGG19 has the highest, 96\%, performance amongst all binary classes and multiclass classification. Our fine-tuned model demonstrates state-of-the-art performance on detecting malignancy of Osteosarcoma based on histologic images.

研究の動機と目的

• ディープラーニングに基づくコンピュータ支援診断（CADx）を用いて、組織像における骨肉腫の検出精度を向上させること。
• 骨肉腫組織像における訓練データの限界を、事前学習済みモデルを用いたトランスファーラーニングによって克服すること。
• パッチ処理を伴わない全スライド画像（WSIs）に対して、VGG19およびInception V3の性能を評価すること。
• 同じ公開データセット上で、提案されたモデルの性能を既存のディープラーニングモデルと比較すること。
• 病理医が骨肉腫悪性度の早期兆候を検出するのを支援する信頼性の高い自動化ツールを確立すること。

提案手法

• 公開の骨肉腫組織像データセット上で微調整された事前学習済みのVGG19およびInception V3モデルを活用した。
• ImageNetで事前学習された重みでモデルを初期化し、骨肉腫データセット上で全結合層および出力層を再学習することで、トランスファーラーニングを適用した。
• 空間的文脈を保持し、データ断片化を低減するために、パッチ抽出を伴わない全スライド画像（WSIs）を直接処理した。
• 非腫瘍、壊死性腫瘍、生検腫瘍組織を区別するバイナリ分類およびマルチクラス分類タスクを実施した。
• 過学習を低減し、モデルの一般化性能を向上させるために正則化および最適化手法を採用した。
• 正確性、F1スコア、および同じデータセット上で先行研究と比較することで、モデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 限られたデータで、VGG19やInception V3のような事前学習済み畳み込みニューラルネットワーク（CNN）を用いたトランスファーラーニングが、骨肉腫組織像の分類において高い正確性を達成できるか。
• RQ2 全スライド画像から壊死性腫瘍および生検腫瘍組織を検出する際、VGG19の性能はInception V3に比べてどのように異なるか。
• RQ3 パッチベースの処理ではなく、全スライド画像を用いることで、骨肉腫検出における分類正確性が向上するか。
• RQ4 提案されたディープラーニングフレームワークは、同じ公開骨肉腫データセット上で既存のCNNモデルを上回る性能を示せるか。
• RQ5 特に代表数が少ない腫瘍タイプに関して、クラス不均衡のモデル性能への影響は何か。

主な発見

• VGG19モデルはバイナリ分類タスクで96％の最高正確性を達成し、Inception V3および先行ディープラーニングモデルを上回った。
• マルチクラス分類においても、VGG19は93.91％の正確性を記録し、非腫瘍、壊死性腫瘍、生検腫瘍の各クラスに強く一般化していることが示された。
• 非腫瘍対壊死性腫瘍のバイナリ分類において、F1スコアは0.97に達し、高い正確性と再現率を示した。
• 先行研究（ArunachalamらのCNNモデル含む）と比較して、全体の正確性が2％向上した。
• 非腫瘍分類の正確性が最も高く（95.45％）、これは非腫瘍画像が536枚で、生検腫瘍および壊死性腫瘍画像よりも多いというクラス不均衡の影響によるものと推定される。
• 本研究は、骨肉腫検出においてVGG19およびInception V3を全スライド画像に直接適用した最初の研究であり、分野における新しいベンチマークを確立した。