[論文レビュー] A Novel Dataset and a Deep Learning Method for Mitosis Nuclei Segmentation and Classification

Huadeng Wang, Zhipeng Liu+5 more|arXiv (Cornell University)|Dec 27, 2022

AI in cancer detection被引用数 4

ひとこと要約

本稿では、深さ方向分離畳み込み残差ブロックとチャネル・スパティアル注意ゲートを組み合わせた2段階の深層学習フレームワーク、SCMitosisを提案する。この手法は、高再現率のミトーシス核セグメンテーションを実現し、その後に段階的な分類ネットワークを適用する。ICPR 2012 データセットではFスコア0.8687を達成し、新たに公開されたGZMHデータセットに対しても優れた汎化性能を示し、最先端手法を上回る性能を発揮した。

ABSTRACT

Mitosis nuclei count is one of the important indicators for the pathological diagnosis of breast cancer. The manual annotation needs experienced pathologists, which is very time-consuming and inefficient. With the development of deep learning methods, some models with good performance have emerged, but the generalization ability should be further strengthened. In this paper, we propose a two-stage mitosis segmentation and classification method, named SCMitosis. Firstly, the segmentation performance with a high recall rate is achieved by the proposed depthwise separable convolution residual block and channel-spatial attention gate. Then, a classification network is cascaded to further improve the detection performance of mitosis nuclei. The proposed model is verified on the ICPR 2012 dataset, and the highest F-score value of 0.8687 is obtained compared with the current state-of-the-art algorithms. In addition, the model also achieves good performance on GZMH dataset, which is prepared by our group and will be firstly released with the publication of this paper. The code will be available at: https://github.com/antifen/mitosis-nuclei-segmentation.

研究の動機と目的

• 既存の深層学習モデルにおけるミトーシス核検出の低汎化性能という課題に対処すること。
• 乳がん組織のヒストパスロジー画像におけるセグメンテーション再現率と検出精度を向上させること。
• 今後のミトーシス検出研究を支援するため、新規に公開されたデータセット（GZMH）を導入すること。
• セグメンテーションと分類性能の両方を向上させる2段階手法を開発すること。
• 再現可能性とデジタル病理学分野における今後の発展を促進するため、オープンソースコードを提供すること。

提案手法

• 計算コストを低減しつつマルチスケール特徴を効率的に抽出するために、深さ方向分離畳み込み残差ブロックを採用する。
• チャネルとスパティアル次元を適応的に再キャリブレーションすることで、特徴表現を強化するため、チャネル・スパティアル注意ゲートを統合する。
• 2段階のパイプラインを設計：まず高再現率のセグメンテーションを実行し、次にセグメンテッド領域に対して段階的なネットワークを用いた分類を実施する。
• モデルはICPR 2012データセットでエンドツーエンドに学習され、ICPR 2012および新規に導入されたGZMHデータセットで評価される。
• 限られたアノテーション付きデータと高解像度のヒストパスロジー画像における小規模対象検出に最適化されたアーキテクチャである。
• 注意メカニズムを活用してミトーシス核の判別的領域に注目することで、検出のロバスト性が向上する。

実験結果

リサーチクエスチョン

• RQ1 2段階の深層学習フレームワークは、ヒストパスロジー画像におけるミトーシス核のセグメンテーション再現率と分類精度を向上させることができるか？
• RQ2 深さ方向分離畳み込みとチャネル・スパティアル注意の統合は、小規模対象検出における特徴学習をどのように向上させるか？
• RQ3 本手法の汎化性能は、研究者が新たに整備した公開データセット（GZMH）においてどのように評価されるか？
• RQ4 Fスコアおよび異なるデータセット間でのロバスト性という観点から、SCMitosisは最先端手法と比較してどの程度優れているか？
• RQ5 注意メカニズムは、困難な低コントラストのミトーシス像において、検出性能をどの程度向上させるか？

主な発見

• 提案されたSCMitosisモデルは、ICPR 2012データセットでFスコア0.8687を達成し、現在の最先端手法を上回った。
• 研究者が整備した新規に公開されたGZMHデータセットに対しても、良好な性能を示すことで、強力な汎化能力を示した。
• 深さ方向分離畳み込みの使用により、モデルの複雑さが低減された一方で、高いセグメンテーション再現率を維持した。
• チャネル・スパティアル注意ゲートは特徴表現を顕著に向上させ、小規模で曖昧なミトーシス核の検出に寄与した。
• 2段階の設計により、セグメンテーションと分類が効果的に分離され、全体の検出性能が向上した。
• コードとデータセット（GZMH）は論文公開と同時に公開され、再現可能性と今後の研究を支援する。