[論文レビュー] Adversarial Domain Adaptation for Classification of Prostate Histopathology Whole-Slide Images

Jian Ren, Ilker Hacihaliloglu+3 more|arXiv (Cornell University)|Jun 4, 2018

AI in cancer detection被引用数 15

ひとこと要約

本論文は、異なる染色およびスキャンプロトコルを有する施設間で前立腺全スライド画像（WSIs）のGleasonスコアリングを向上させるために、自己教師あり敵対的ドメイン適応手法を提案する。GANベースの敵対的訓練とピクセルレベルの正則化を通じて、ラベル付きのソースドメインとラベルなしのターゲットドメインの特徴分布を一致させることで、ターゲットドメインのアノテーションを一切用いずに顕著な精度向上を達成した。本手法は、2つの公的データセットおよび1つのローカルデータセットにおいて最先端の性能を示した。

ABSTRACT

Automatic and accurate Gleason grading of histopathology tissue slides is crucial for prostate cancer diagnosis, treatment, and prognosis. Usually, histopathology tissue slides from different institutions show heterogeneous appearances because of different tissue preparation and staining procedures, thus the predictable model learned from one domain may not be applicable to a new domain directly. Here we propose to adopt unsupervised domain adaptation to transfer the discriminative knowledge obtained from the source domain to the target domain without requiring labeling of images at the target domain. The adaptation is achieved through adversarial training to find an invariant feature space along with the proposed Siamese architecture on the target domain to add a regularization that is appropriate for the whole-slide images. We validate the method on two prostate cancer datasets and obtain significant classification improvement of Gleason scores as compared with the baseline models.

研究の動機と目的

• 異なる施設間での染色およびスキャンプロトコルの差異に起因する前立腺組織病理学的WSIにおけるドメインシフトを是正すること。
• ラベル付きソースドメインデータのみを用いて、ラベルなしのターゲットドメインWSIに対しても正確なGleasonスコアリングを可能にすること。
• ターゲットデータの手動アノテーションを必要としないドメイン適応フレームワークを構築し、判別的知識を転送すること。
• 前立腺がん診断における多様な全スライド画像の分布に対して、分類の頑健性と一般化性能を向上させること。

提案手法

• 生成的敵対的ネットワーク（GAN）損失を用いて、ソースドメインとターゲットドメインの特徴分布の乖離を最小化する敵対的ドメイン適応を採用する。
• ラベル付きWSIに対して交差エントロピー損失を用いて、低Gleasonスコア対高Gleasonスコア分類のための判別的特徴を学習するソースネットワークを訓練する。
• ソースネットワークから初期化されたターゲットネットワークを構築し、ドメイン識別器と併せて最適化することで、ドメイン不変特徴を学習する。
• ターゲットドメインにシアンプスアーキテクチャを導入し、同じWSI内での空間的に近接するピクセルの特徴表現の一貫性を強制することで、ピクセルレベルの正則化を実現する。
• 敵対的損失（L_a）とピクセルレベルの一貫性損失（L_t）を組み合わせたハイブリッド損失を用いて、特徴の一般化および分類精度を向上させる。
• 各全スライド画像の最終Gleasonスコアを決定するために、ピクセルレベルの予測に対して多数決を適用する。

実験結果

リサーチクエスチョン

• RQ1 ターゲットドメインのアノテーションを一切必要としない状況でも、敵対的ドメイン適応が前立腺組織病理学的WSIにおけるドメインシフトを効果的に低減できるか？
• RQ2 ピクセルレベルの正則化にシアンプスネットワークを組み込むことで、ターゲットWSIにおける特徴学習と分類性能がどのように向上するか？
• RQ3 分類精度の向上に寄与する主な要因として、敵対的ドメイン整合性とピクセルレベルの一貫性損失の相対的寄与度はどの程度か？
• RQ4 本手法は、未観測のデータセットにおける施設間Gleasonスコアリングにおいて、ベースラインモデルを著しく上回る性能を示すか？

主な発見

• UPデータセット（TCGA w/o UP → UP）において、本手法は77.1%の精度を達成し、ベースラインの54.3%に比べ顕著な向上を示した。
• CINJデータセット（TCGA → CINJ）では、75.0%の精度を達成し、ベースライン（56.3%）および敵対的損失のみを用いたモデル（62.5%）を上回った。
• McNemar検定により、TCGA（w/o UP）→ UPの適応において、精度向上が統計的に有意であることが確認された（p = 0.039）。
• ヒートマップの定性的分析から、L_t損失を用いた適応モデルは高Gleasonスコア領域を正しく同定していたのに対し、ベースラインおよびL_aのみのモデルは広範囲を低スコアと誤分類していた。
• 適応後の混同行列では、両データセットにおいて高スコアおよび低スコアのGleasonスコアの感度と特異度の両方が一貫して向上していた。
• アブレーションスタディにより、敵対的損失（L_a）とピクセルレベルの一貫性損失（L_t）を併用することで、L_a単体よりも優れた性能が得られることを確認した。