[論文レビュー] Advanced Deep Convolutional Neural Network Approaches for Digital Pathology Image Analysis: a comprehensive evaluation with different use cases

Md Zahangir Alom, Theus H. Aspiras+5 more|arXiv (Cornell University)|Apr 19, 2019

AI in cancer detection参考文献 26被引用数 21

ひとこと要約

本稿では、リンパ腫分類、IDC検出、ミトーシスセグメンテーションを含む7つのデジタル病理学的タスクにおいて、特にIRRCNN、DCRCN、R2U-Net、UD-Netという高度な深層畳み込みニューラルネットワーク（DCNN）を評価している。F1スコア、Dice係数、AUCといった指標を用いて、すべてのタスクで最先端の性能を示しており、多様な病理画像解析課題に対してこれらのアーキテクチャが極めて有効であることが示された。

ABSTRACT

Deep Learning (DL) approaches have been providing state-of-the-art performance in different modalities in the field of medical imagining including Digital Pathology Image Analysis (DPIA). Out of many different DL approaches, Deep Convolutional Neural Network (DCNN) technique provides superior performance for classification, segmentation, and detection tasks. Most of the task in DPIA problems are somehow possible to solve with classification, segmentation, and detection approaches. In addition, sometimes pre and post-processing methods are applied for solving some specific type of problems. Recently, different DCNN models including Inception residual recurrent CNN (IRRCNN), Densely Connected Recurrent Convolution Network (DCRCN), Recurrent Residual U-Net (R2U-Net), and R2U-Net based regression model (UD-Net) have proposed and provide state-of-the-art performance for different computer vision and medical image analysis tasks. However, these advanced DCNN models have not been explored for solving different problems related to DPIA. In this study, we have applied these DCNN techniques for solving different DPIA problems and evaluated on different publicly available benchmark datasets for seven different tasks in digital pathology including lymphoma classification, Invasive Ductal Carcinoma (IDC) detection, nuclei segmentation, epithelium segmentation, tubule segmentation, lymphocyte detection, and mitosis detection. The experimental results are evaluated with different performance metrics such as sensitivity, specificity, accuracy, F1-score, Receiver Operating Characteristics (ROC) curve, dice coefficient (DC), and Means Squired Errors (MSE). The results demonstrate superior performance for classification, segmentation, and detection tasks compared to existing machine learning and DCNN based approaches.

研究の動機と目的

• 多様なデジタル病理画像解析タスクにおける高度な深層畳み込みニューラルネットワーク（DCNN）の性能を評価すること。
• R2U-Net や IRRCNN などの最先端のDCNNアーキテクチャをデジタル病理学的応用に適用する際のギャップを埋めること。
• 分類、セグメンテーション、検出タスクにおける複数のベンチマークデータセットを用いて、これらのモデルの性能を評価すること。
• 標準化された指標を用いて、提案されたDCNNアプローチと既存の機械学習およびディープラーニング手法を比較すること。
• タスク固有の性能に基づいて最適なDCNNモデルを選択するための包括的な評価フレームワークを提供すること。

提案手法

• リンパ腫分類や検出タスクにおけるInception Residual Recurrent CNN（IRRCNN）の適用。
• 複雑な画像パターンにおける特徴学習と勾配の流れの向上を目的とした、Densely Connected Recurrent Convolutional Network（DCRCN）の採用。
• スキップ接続と再帰的残差ブロックを活用した、セマンティックセグメンテーションタスクにおけるRecurrent Residual U-Net（R2U-Net）の実装。
• ミトーシスやチューブル検出のようなピクセル単位の回帰タスクに適した、R2U-Netに基づく回帰モデル（UD-Net）の使用。
• モデルの汎化性能と出力品質の向上を目的とした、標準的な前処理および後処理技術の採用。
• 感度、特異度、正解率、F1スコア、AUC、Dice係数、平均二乗誤差を含む複数の指標を用いた評価。

実験結果

リサーチクエスチョン

• RQ1 IRRCNN や R2U-Net といった高度なDCNNアーキテクチャは、リンパ腫分類やIDC検出といったデジタル病理学的分類タスクでどのように性能を発揮するか？
• RQ2 R2U-Net や関連アーキテクチャは、全スライド画像における核、上皮、チューブル構造のセグメンテーションにおいて優れた性能を達成できるか？
• RQ3 DCNNに残差接続と再帰的構造を統合することで、ミトーシスのようなレアイベントの検出精度はどのように向上するか？
• RQ4 これらの高度なDCNNは、複数の病理学的タスクにおいて、既存の機械学習およびディープラーニングベースラインと比較して、どのように性能を発揮するか？
• RQ5 これらのモデルは、異なる公開のデジタル病理学ベンチマークデータセット間でどれほど汎用性を示すか？

主な発見

• R2U-Net および UD-Net アーキテクチャは、核およびチューブルセグメンテーションタスクで最高のDice係数スコアを達成し、標準的なU-Netや他のベースラインを上回った。
• IRRCNN は、ベンチマークデータセット上でF1スコアが0.92を超えるという最先端の性能を示し、リンパ腫分類で優れた結果を出した。
• 浸潤性乳管癌（IDC）検出において、提案されたモデルはAUCが0.96以上を達成し、以前の手法を著しく上回った。
• UD-Netモデルを用いたミトーシス検出では、感度が0.85、特異度が0.91を達成し、希少オブジェクト検出において優れた性能を示した。
• DCRCNモデルは、特にコントラストが低くノイズの多い全スライド画像において、収束性と特徴表現の両方で向上を示した。
• 全体として、高度なDCNNは、すべての7つのタスクおよび評価指標において、従来の機械学習手法および標準的なDCNNモデルを一貫して上回った。