[論文レビュー] Cancer Metastasis Detection With Neural Conditional Random Field

Yi Li, Wei Ping|arXiv (Cornell University)|Jun 19, 2018

AI in cancer detection参考文献 20被引用数 79

ひとこと要約

NCRFはCNNパッチ特徴の上に完全連結CRFを統合し、全スライド画像パッチの空間相関をモデル化して転移検出を改善し、Camelyon16で最先端のFROCを達成する。

ABSTRACT

Breast cancer diagnosis often requires accurate detection of metastasis in lymph nodes through Whole-slide Images (WSIs). Recent advances in deep convolutional neural networks (CNNs) have shown significant successes in medical image analysis and particularly in computational histopathology. Because of the outrageous large size of WSIs, most of the methods divide one slide into lots of small image patches and perform classification on each patch independently. However, neighboring patches often share spatial correlations, and ignoring these spatial correlations may result in inconsistent predictions. In this paper, we propose a neural conditional random field (NCRF) deep learning framework to detect cancer metastasis in WSIs. NCRF considers the spatial correlations between neighboring patches through a fully connected CRF which is directly incorporated on top of a CNN feature extractor. The whole deep network can be trained end-to-end with standard back-propagation algorithm with minor computational overhead from the CRF component. The CNN feature extractor can also benefit from considering spatial correlations via the CRF component. Compared to the baseline method without considering spatial correlations, we show that the proposed NCRF framework obtains probability maps of patch predictions with better visual quality. We also demonstrate that our method outperforms the baseline in cancer metastasis detection on the Camelyon16 dataset and achieves an average FROC score of 0.8096 on the test set. NCRF is open sourced at https://github.com/baidu-research/NCRF.

研究の動機と目的

• 乳がん診断のための全スライド画像（WSIs）におけるリンパ節転移の正確な検出を動機づける。
• 近傍パッチ間の空間相関をモデル化してブロック単位のパッチ分類の限界に対処する。
• CNN特徴とCRFポテンシャルを同時に学習するエンドツーエンド訓練可能なNCRFフレームワークを提案する。
• パッチのみのベースラインと比較して転移検出性能と確率マップを滑らかにすることを示す。

提案手法

• CNN特徴抽出器としてResNet-18またはResNet-34を用いてパッチ埋め込みを抽出する。
• パッチ埋め込みの上に完全連結CRFを適用してパッチラベルの条件付き分布をモデル化する。
• 1-項ポテンシャルを負の対数尤度（CNNロジット）として、対合ポテンシャルを埋め込み間の訓練可能な加重コサイン距離とする。
• エンドツーエンドのバックプロパゲーションのためにパッチごとの周辺分布を得るためにmean-field近似推論を行う。
• CRFのmean-field反復に小さなGPUオーバーヘッドを伴う標準的なバックプロパゲーションでエンドツーエンド訓練する。
• 確率マップ、パッチ単位の精度、およびCamelyon16での平均FROCを用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 パッチ埋め込み上のニューラルCRFはWSIにおける転移確率マップの空間的一貫性と精度を改善できるか？
• RQ2 CNN特徴とCRFを用いたエンドツーエンド訓練は、CNN単独よりもパッチレベルの分類を改善するか？
• RQ3 Camelyon16データセットに対するNCRFの転移検出性能（FROC）への影響はどのようか？

主な発見

Architecture	Baseline	NCRF	Architecture	Baseline	NCRF
ResNet-18	0.9242 ± 0.0007	0.9296 ± 0.0013
ResNet-34			0.9251 ± 0.0007	0.9338 ± 0.0014

• NCRFはパッチ独立ベースラインより滑らかな確率マップとより鋭い境界を生成する。
• CRF成分を組み込んでCNNを訓練するとパッチ分類精度が向上する（ResNet-18: 0.9296 vs 0.9242; ResNet-34: 0.9338 vs 0.9251）。
• Camelyon16のテストセットで、NCRFは基準より平均FROCを改善する（ResNet-18: 0.7934 vs 0.7825; ResNet-34: 0.7704 vs 0.7444）。
• 報告された最良のNCRF結果: ResNet-18で平均FROC 0.8096。