[論文レビュー] Colorectal cancer diagnosis from histology images: A comparative study

Junaid Malik, Serkan Kıranyaz+5 more|arXiv (Cornell University)|Mar 27, 2019

AI in cancer detection参考文献 37被引用数 23

ひとこと要約

本研究は、低解像度でスパarselyアノテートされた組織像に対して、結腸直腸がん診断のための新規で適応的かつコンパクトな畳み込みニューラルネットワーク（CNN）アーキテクチャを提案する。この手法は、従来の特徴ベースの手法やトランスファーラーニングアプローチを上回るがん検出精度を達成しており、医療画像分野で一般的なデータ不足の制約を克服する。モデルはスクラッチから訓練される。

ABSTRACT

Computer-aided diagnosis (CAD) based on histopathological imaging has progressed rapidly in recent years with the rise of machine learning based methodologies. Traditional approaches consist of training a classification model using features extracted from the images, based on textures or morphological properties. Recently, deep-learning based methods have been applied directly to the raw (unprocessed) data. However, their usability is impacted by the paucity of annotated data in the biomedical sector. In order to leverage the learning capabilities of deep Convolutional Neural Nets (CNNs) within the confines of limited labelled data, in this study we shall investigate the transfer learning approaches that aim to apply the knowledge gained from solving a source (e.g., non-medical) problem, to learn better predictive models for the target (e.g., biomedical) task. As an alternative, we shall further propose a new adaptive and compact CNN based architecture that can be trained from scratch even on scarce and low-resolution data. Moreover, we conduct quantitative comparative evaluations among the traditional methods, transfer learning-based methods and the proposed adaptive approach for the particular task of cancer detection and identification from scarce and low-resolution histology images. Over the largest benchmark dataset formed for this purpose, the proposed adaptive approach achieved a higher cancer detection accuracy with a significant gap, whereas the deep CNNs with transfer learning achieved a superior cancer identification.

研究の動機と目的

• 深層学習を用いて、結腸直腸がん診断における限られたアノテート済み組織病理学的データの課題に対処すること。
• スクラッチから訓練可能な軽量でトレーニング可能なCNNを設計することで、医療画像解析におけるデータ不足と低解像度の制約に打ち勝つこと。
• がん検出と同定に向け、従来の手作業特徴抽出手法、トランスファーラーニングベースのディープラーニング、および新規な適応的CNNアーキテクチャを比較すること。
• 実世界のデータ制限下での最も効果的なアプローチを特定するために、大規模なベンチマークデータセット上で性能を評価すること。

提案手法

• 小規模で低解像度の組織像データセットに特化した、スクラッチから訓練可能な新規な適応的かつコンパクトなCNNアーキテクチャを提案する。
• 事前学習モデルやトランスファーラーニングに依存せずに、生の組織像上でエンドツーエンドの訓練を実施する。
• 限られたデータに適したアーキテクチャ的制約を用いて、効率性と一般化性能を最適化する。
• 標準的なディープラーニング訓練手順（例：確率的勾配降下法、バッチ正則化）を小規模医療データに適合させたものを利用する。
• 限られたトレーニングサンプルにもかかわらず、耐性と一般化を向上させるためにデータオーグメンテーション技術を適用する。
• 同一の評価プロトコルを用いて、従来のテクスチャ／形態ベース特徴抽出法とトランスファーラーニングベースのCNNとを、提案手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 データ不足の下で、スクラッチから訓練されたコンパクトで適応的なCNNは、トランスファーラーニングベースのモデルを上回るがん検出精度を達成できるか？
• RQ2 カスタムCNNアーキテクチャは、従来の特徴ベース手法と比較して、組織像分類においてどのように性能を発揮するか？
• RQ3 低解像度でデータが限られた組織病理学的環境下で、トランスファーラーニングとスクラッチからの訓練の相対的な有効性は何か？
• RQ4 提案されたアーキテクチャは、計算効率を保ちながら優れたがん検出精度を達成できるか？
• RQ5 異なるアプローチは、組織像における特定のがん亜型や領域の同定において、どのように性能を発揮するか？

主な発見

• 提案された適応的CNNはベンチマークデータセットで最高のがん検出精度を達成し、従来の手法およびトランスファーラーニングベースのベースラインを顕著に上回った。
• トランスファーラーニングベースのモデルは、がん同定タスクにおいて優れた性能を示し、微細な分類に適した特徴表現学習が可能であることを示唆した。
• 提案手法は低解像度画像においても強力な一般化性能を示し、限られたアノテート済みデータでも効果的であることが証明された。
• 従来の特徴ベース手法は、特に複雑な組織パターン認識において、ディープラーニング手法に比べて著しく劣った性能を示した。
• コンパクトなCNN設計により、事前学習なしに効果的なスクラッチからの訓練が可能となり、大規模外部データセットへの依存が軽減された。
• 定量的評価により、提案手法のロバスト性と効率性が確認され、データが限られる臨床現場への導入に適していることが示された。