[論文レビュー] A Guided Spatial Transformer Network for Histology Cell Differentiation

Marc Aubreville, Maximilian Krappmann+3 more|arXiv (Cornell University)|Jan 1, 2017

AI in cancer detection参考文献 9被引用数 5

ひとこと要約

本論文は、ヒストロロジー組織切片における細胞分類を自動化する目的で、深層畳み込みニューラルネットワークに統合されたガイド付き空間変換ネットワーク（STN）を提案する。主な対象は、有糸分裂像、通常の腫瘍細胞、顆粒球である。10,000枚のアノテート済み細胞で構成される新規データセットと、共同局在・分類損失を用いることで、5分割交差検証において平均91.45%の精度を達成し、有糸分裂像の数え上げにおける頑健性を向上させるとともに、病理医間の差異を低減した。

ABSTRACT

Identification and counting of cells and mitotic figures is a standard task in diagnostic histopathology. Due to the large overall cell count on histological slides and the potential sparse prevalence of some relevant cell types or mitotic figures, retrieving annotation data for sufficient statistics is a tedious task and prone to a significant error in assessment. Automatic classification and segmentation is a classic task in digital pathology, yet it is not solved to a sufficient degree. We present a novel approach for cell and mitotic figure classification, based on a deep convolutional network with an incorporated Spatial Transformer Network. The network was trained on a novel data set with ten thousand mitotic figures, about ten times more than previous data sets. The algorithm is able to derive the cell class (mitotic tumor cells, non-mitotic tumor cells and granulocytes) and their position within an image. The mean accuracy of the algorithm in a five-fold cross-validation is 91.45%. In our view, the approach is a promising step into the direction of a more objective and accurate, semi-automatized mitosis counting supporting the pathologist.

研究の動機と目的

• 病理医による高倍率視野の選択が主観的であるため、有糸分裂像の数え上げに顕著な観察者間差が生じる問題に対処すること。
• 従来のデータセットが小さく、有糸分裂検出のための頑健な深層学習モデルの学習に不十分であるという制限を克服すること。
• 代表的な高有糸分裂活性領域を特定することで、病理医を支援する半自動的かつ客観的なシステムを開発すること。
• 空間的アテンションを空間変換ネットワーク（STN）を用いて統合し、希少で形態が多様な細胞タイプの局在化と分類を改善すること。
• 今後のデジタル病理学研究のため、各クラス10,000細胞分の高品質な病理医アノテート済みデータセットを構築すること。

提案手法

• 希少な細胞タイプ（有糸分裂像や顆粒球など）を含む関連画像領域に動的に注目できるように、深層畳み込みニューラルネットワークに空間変換ネットワーク（STN）を拡張する。
• STNは入力画像から、切り出し領域（平行移動、スケーリング、回転）を予測し、その後その領域を分類ヘッドに供給する。
• 局在化損失（lloc）と分類損失（lcla）を組み合わせた共同損失関数を用い、重み係数κを導入することで、エンド・ツー・エンドの学習を可能にする。
• 病理医による検証済みアノテーションを有する、3クラス（有糸分裂腫瘍細胞、非有糸分裂腫瘍細胞、顆粒球）の10,000枚のH&E染色ヒストロジー画像で構成される新規データセットを用いて学習を行う。
• データオーグメンテーションを適用し、学習率10⁻³で200エポックにわたり、5分割交差検証を実施する。
• 局在化と分類を分離することで、計算複雑性を低減しつつも、高い性能を維持する。

実験結果

リサーチクエスチョン

• RQ1 限られた学習データで、ガイド付き空間変換ネットワーク（STN）が、限局所化された組織病理画像における細胞タイプ分類の精度を向上させることができるか？
• RQ2 統合損失関数による局在化と分類の共同最適化は、有糸分裂像のような希少で形態が多様な細胞タイプの検出を向上させるか？
• RQ3 10,000枚のアノテート済み細胞を各クラスに含む大規模かつ高品質なデータセットは、従来のデータセットよりも有糸分裂検出においてより優れた一般化性能を実現できるか？
• RQ4 STNを用いたアテンション機構は、ランダムな視野選択に依存する度合いをどの程度低減させ、有糸分裂像の数え上げにおける客観性を向上させるか？
• RQ5 3クラスのヒストロジー細胞分類において、標準的なCNNベースラインと比較して、本手法は精度、再現率、F1スコアの観点でどのように優れているか？

主な発見

• 提案されたCNN-STNモデルは、5分割交差検証において平均91.45%の精度を達成し、12層のベースラインCNNを顕著に上回った。
• モデルの精度は90.4%から93.4%の範囲にあり、再現率は90.1%から92.8%の範囲にあり、3クラスすべてで強固でバランスの取れた性能を示した。
• ベースラインCNNの平均F1スコアは0.869であったが、CNN-STNはこれを0.915に向上させ、顕著な性能向上を示した。
• 誤分類の多くはSTNによる誤った局在化に起因していたが、これは深刻な欠陥とはならず、モデルが希少なイベントに注目しており、周辺の細胞を正しく識別できる可能性があるためである。
• 本研究では、各クラス10,000枚の病理医アノテート済み細胞画像から構成される新規データセットを提供した。これは従来のデータセットの10倍大きく、転移学習に適している。
• 分類との統合により、STNは有糸分裂像の形態的変異に強く、頑健な性能を発揮するアテンション機構を学習可能となった。