[論文レビュー] Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images

Haotian Wang, Min Xian+1 more|arXiv (Cornell University)|Feb 3, 2020

AI in cancer detection参考文献 21被引用数 6

ひとこと要約

本論文では、特に重なり合う核を含む組織病理画像における核セグメンテーションの向上を目的として、曲率を考慮した損失正則化ネットワークを提案する。トレーニング中に高い曲率を持つ境界点に対してペナルティを課すことで、滑らかで核に特化した境界を促進する。この手法は、Dice、Jaccard、パンオプティック品質といった複数の指標において、MoNuSegデータセットで最先端の性能を達成した。

ABSTRACT

Separating overlapped nuclei is a major challenge in histopathology image analysis. Recently published approaches have achieved promising overall performance on public datasets; however, their performance in segmenting overlapped nuclei are limited. To address the issue, we propose the bending loss regularized network for nuclei segmentation. The proposed bending loss defines high penalties to contour points with large curvatures, and applies small penalties to contour points with small curvature. Minimizing the bending loss can avoid generating contours that encompass multiple nuclei. The proposed approach is validated on the MoNuSeg dataset using five quantitative metrics. It outperforms six state-of-the-art approaches on the following metrics: Aggregate Jaccard Index, Dice, Recognition Quality, and Pan-optic Quality.

研究の動機と目的

• デジタル病理学における一般的な障壁である、重なり合う核の正確なセグメンテーションを解決すること。
• 複数の核を1つの境界で囲むようなモデルの出力を防ぐことで、核セグメンテーションにおける境界生成を改善すること。
• 幾何学的曲率に基づいて境界予測を正則化する、新しい損失関数を導入すること。
• 特に重なり合う核の処理に優れた性能を示す、標準的な核セグメンテーションベンチマークで優れた成績を収めること。
• 複数の定量的指標を用いて、MoNuSegデータセット上で手法の有効性を検証すること。

提案手法

• 提案手法は、大きな曲率を持つ境界点に対して高いペナルティを課す「曲率損失」を導入し、滑らかでより正確な核境界を促進する。
• 曲率損失は、標準的なバイナリクロスエントロピー損失やDice損失とともに、ディープラーニングによるセグメンテーションネットワークのトレーニング目的関数に統合される。
• 損失関数は微分幾何学に基づき、予測されたセグメンテーション境界の曲率を計算し、非線形的にペナルティを課す。
• ネットワークアーキテクチャは、結合損失を用いてエンドツーエンドで訓練され、画素単位の正確さと核境界の幾何学的整合性の両方を最適化する。
• 評価は、MoNuSegベンチマークデータセットを用い、集約Jaccardインデックスやパンオプティック品質を含む5つの標準指標で実施された。

実験結果

リサーチクエスチョン

• RQ1 曲率に基づく損失関数は、組織病理画像における重なり合う核のセグメンテーションを改善できるか？
• RQ2 高曲率の境界点に対するペナルティは、より正確で生物学的に妥当な核境界を生成するのか？
• RQ3 曲率損失正則化ネットワークは、MoNuSegベンチマークにおけるセグメンテーション品質の観点から、最先端の手法と比較して優れているか？
• RQ4 曲率損失は、複数の核が1つのセグメンテーション領域に統合されてしまう傾向をどの程度低減するのか？

主な発見

• 提案手法は、MoNuSegデータセットにおいて、集約Jaccardインデックスの観点から6つの最先端手法を上回った。
• 比較対象のすべての手法の中で最高のDiceスコアを達成し、予測結果と正解の核の重複度が優れていたことを示した。
• 認識品質（Recognition Quality）という、個々の核の検出とセグメンテーションの正確さを評価する指標においても最高の成績を収めた。
• パンオプティック品質スコアも最高を記録し、インスタンスセグメンテーションとセマンティックセグメンテーションの両面で優れた性能を示した。