[論文レビュー] Cluster-Based Learning from Weakly Labeled Bags in Digital Pathology

Shazia Akbar, Anne L. Martel|arXiv (Cornell University)|Nov 28, 2018

AI in cancer detection参考文献 7被引用数 7

ひとこと要約

本論文では、画像レベルのラベルのみを用いて全スライド画像における腫瘍転移を検出する弱教師あり学習手法CCE+を提案する。変分オートエンコーダを用いてパッチ特徴をクラスタリングし、クラスタベースの偽ラベルをハイブリッド交差エントロピー損失に組み込むことで、極端なクラス不均衡やノイズの多い弱いラベルがある中でも、Camelyonデータセットにおいて完全教師あり学習と同等の性能を達成した。

ABSTRACT

To alleviate the burden of gathering detailed expert annotations when training deep neural networks, we propose a weakly supervised learning approach to recognize metastases in microscopic images of breast lymph nodes. We describe an alternative training loss which clusters weakly labeled bags in latent space to inform relevance of patch-instances during training of a convolutional neural network. We evaluate our method on the Camelyon dataset which contains high-resolution digital slides of breast lymph nodes, where labels are provided at the image-level and only subsets of patches are made available during training.

研究の動機と目的

• ディジタル病理学における深層学習モデルの学習に、高コストな詳細な専門家ラベルに依存するのを減らす。
• 全スライド画像解析における極端なクラス不均衡、特に陽性（腫瘍）インスタンスが5％未満のパッチである問題に対処する。
• 潜在空間におけるパッチ特徴の教師なしクラスタリングを活用して、弱いラベルからの学習を向上させる。
• 従来のカテゴリカル交差エントロピーとクラスタクラスの偽ラベルを組み合わせた損失関数を開発する。
• 弱教師あり学習がヒストパスロジー画像解析において完全教師あり手法に近い性能を達成できることを示す。

提案手法

• 135,000個のパッチを用いて、教師なしで事前学習された変分オートエンコーダ（VAE）が、ガウス分布の潜在表現を学習する。
• VAEが学習した潜在空間に対してK-meansクラスタリングを適用し、外観およびテクスチャが類似したパッチインスタンスのK個のクラスタを特定する。
• 各クラスタに対して、そのクラスタに属するパッチの弱い画像レベルラベルを用いた多数決によってクラスタクラスラベル（C^i）を割り当てる。
• 各パッチについて、特徴空間における最近傍のクラスタ中心がその推定クラスタクラスラベル（ŷ）を決定する。
• ハイブリッド損失関数CCE+は、標準的なカテゴリカル交差エントロピー（CCE）と予測値とクラスタクラスとの間のCCEを組み合わせたものであり、L = α·CCE(y,p) + (1−α)·CCE(ŷ,p)（α=0.5）で定義される。
• InceptionNet分類器は、この損失関数を用いて学習され、バッチ単位でのパッチサンプリングにより、学習バッグ全体でがん性および健全な組織の代表がバランスされるようにする。

実験結果

リサーチクエスチョン

• RQ1 画像レベルのラベルのみを用いた弱教師あり学習アプローチが、全スライド画像解析において完全教師あり学習と同等の性能を達成できるか？
• RQ2 潜在空間におけるパッチ特徴の教師なしクラスタリングを組み込むことで、ノイズの多い弱いラベルデータからの学習がどのように向上するか？
• RQ3 提案されたCCE+損失関数が、デジタル病理学データセットにおける極端なクラス不均衡の悪影響を緩和できるか？
• RQ4 高頻度に非腫瘍（迷惑な）パッチを含むバッグで学習された場合、モデルが頑健性を維持できるか？
• RQ5 VAEが学習した特徴が、専門家ラベルなしで生物学的に意味のある組織パターンをどれだけ捉えられるか？

主な発見

• Camelyon 2016データセットにおいて、CCE+はテストセットでAUC 0.947を達成し、完全教師ありモデルと同等の性能を示した。
• 標準的なカテゴリカル交差エントロピー（CCE）に比べて、特に高い感度レベルで優れた性能を示し、一般化性能の向上が確認された。
• α=0.5のとき、ハイブリッド損失はバッグレベルのラベルとクラスタクラスからの情報の両方をバランスよく統合し、最適な性能を達成した。
• VAEの潜在空間のt-SNE可視化から、腫瘍および健全なパッチインスタンスが明確に分離していることが確認され、アノテーションなしで効果的な特徴学習が行われたことが示された。
• 100個のクラスタとα=0.5の条件下で、CCE+はさまざまなバッグサイズにおいても高い精度を維持し、データ分布の変化に対して頑健であることが示された。
• 1WSIあたり100パッチ（全パッチの10％）での学習でさえも、CCE+は強力な性能を維持した。これは、低データ環境下でも効率的であることを示している。