[論文レビュー] Automatic breast cancer grading in lymph nodes using a deep neural network

Thomas Wollmann, Karl Rohr|arXiv (Cornell University)|Jul 24, 2017

AI in cancer detection参考文献 11被引用数 8

ひとこと要約

本稿では、スパース分類と密接に接続された畳み込みニューラルネットワークを用いた、リンパ節全スライド画像（WSI）における乳がんの自動グレーディングを高速に実現する深層学習ベースの手法を提示する。まず色のしきい値処理により関心領域（ROI）を特定し、その後、モデル平均化を用いて512×512ピクセルのパッチを分類することで、標準のワークステーション上でも1患者あたり4秒未塔で患者レベルのグレーディングを達成する。この手法により、スライドレベルのアノテーションのみを用いても、高スループットかつ正確で効率的なリンパ節評価が可能になる。

ABSTRACT

The progression of breast cancer can be quantified in lymph node whole-slide images (WSIs). We describe a novel method for effectively performing classification of whole-slide images and patient level breast cancer grading. Our method utilises a deep neural network. The method performs classification on small patches and uses model averaging for boosting. In the first step, region of interest patches are determined and cropped automatically by color thresholding and then classified by the deep neural network. The classification results are used to determine a slide level class and for further aggregation to predict a patient level grade. Fast processing speed of our method enables high throughput image analysis.

研究の動機と目的

• 全スライド画像（WSI）を用いた乳がんにおけるリンパ節転移の手作業によるグレーディング作業の時間的・人的負担を軽減すること。
• 情報のない組織領域を処理する密度分類手法の非効率性に対処するため、スパース分類を採用すること。
• 標準のワークステーションで運用可能な、高速でスケーラブルかつ高精度なシステムの開発。
• パッチレベルのラベル付けに依存せず、スライドレベルのラベルのみを用いて患者レベルのグレーディングを可能とすること。

提案手法

• 関心領域（ROI）は、緑色対赤色強度比が0.9であることを基準にした色のしきい値処理により検出され、その後、50ピクセルのディスク型構造要素を用いた中央値フィルタリングが施される。
• ROIsから、64×のダウンサンプリング因子で重複のない20個の512×512ピクセルのパッチが抽出され、分類に用いられる。
• PReLU活性化関数とグローバル平均プーリングを備えた、密接に接続された畳み込みニューラルネットワークを用いて、4つのクラス（ITC、マクロ転移、マイクロ転移、陰性）への組織分類が行われる。
• モデル平均化は、全20パッチのクラス活性化を合算し、スライドレベル分類のための最大予測クラスを選択することで実施される。
• データ拡張には、ランダムな回転、反転、色調の変更、および弾性変形が含まれ、モデルの頑健性と一般化性能の向上を図る。
• 患者レベルのグレーディングは、スライドレベル分類の結果に基づき、事前に定義された臨床ルール（例：pN0、pN1mi）を用いて決定される。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いたスパース分類アプローチは、高速な推論速度を維持しつつも、リンパ節転移グレーディングにおいて高い精度を達成できるか？
• RQ2 1パッチ分類と比較して、複数パッチにわたるモデル平均化は、分類の頑健性をどの程度向上させるか？
• RQ3 パッチレベルのラベルが一切ない状態でスライドレベルのラベルのみを用いて学習したモデルが、信頼性のある性能を達成できるか、その範囲はどの程度か？
• RQ4 色のしきい値処理と形態的操作により、全スライド画像から生物学的に関連のある領域を効果的に分離できるか？
• RQ5 既存の密度分類手法と比較して、本手法はWSI解析において速度と精度の両面で優れているか？

主な発見

• 標準のIntel i7-6700KワークステーションにGTX 1070 GPUを搭載した環境下で、1つの512×512パッチの分類に平均0.04秒を要する。
• 全スライド画像の分類は0.78秒で完了し、1患者あたりの患者レベルグレーディングは3.90秒で達成される。
• 非生物学的関連領域を処理しないことで、生物学的関連領域に限定して処理を行うことで、処理のスループットが著しく向上する。
• 20パッチにわたる活性化を合算し、最大活性化クラスを選択するモデル平均化により、分類の安定性と性能が向上した。
• 本手法はパッチレベルのラベル付けに依存せず、スライドレベルのラベルのみを用いて学習が可能であり、パッチレベルラベルのコストが高額である現実世界への展開可能性を示した。
• 64×倍率で一貫した処理と正規化により、WSIのダウンサンプリング要因の変動に対しても、本手法は頑健であることが確認された。