[論文レビュー] Comparison of Different Methods for Tissue Segmentation in Histopathological Whole-Slide Images

Péter Bándi, Rob van de Loo+6 more|arXiv (Cornell University)|Mar 17, 2017

AI in cancer detection被引用数 7

ひとこと要約

本論文では、全スライド画像（WSIs）における組織分類のための2つのディープラーニングベースの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し、従来手法と比較している。CNNは従来手法（0.870）よりも顕著に高いJaccard係数（0.937および0.929）を達成し、3つの研究所から得た54枚のWSIデータセットにおいて、多様な組織タイプや染色変動にわたって優れた正確性と頑健性を示している。

ABSTRACT

Tissue segmentation is an important pre-requisite for efficient and accurate diagnostics in digital pathology. However, it is well known that whole-slide scanners can fail in detecting all tissue regions, for example due to the tissue type, or due to weak staining because their tissue detection algorithms are not robust enough. In this paper, we introduce two different convolutional neural network architectures for whole slide image segmentation to accurately identify the tissue sections. We also compare the algorithms to a published traditional method. We collected 54 whole slide images with differing stains and tissue types from three laboratories to validate our algorithms. We show that while the two methods do not differ significantly they outperform their traditional counterpart (Jaccard index of 0.937 and 0.929 vs. 0.870, p < 0.01).

研究の動機と目的

• 染色のばらつきや組織タイプの違いによる全スライド画像における組織検出の不一致の課題に対処すること。
• デジタル病理会診における深層学習ベースの分類手法と確立された従来のアプローチの性能を評価すること。
• 複数の研究所から得た多様な全スライド画像に一般化可能な頑健な組織分類モデルを開発すること。
• 染色法や組織タイプが異なる54枚の全スライド画像からなる多様なデータセットを用いて、提案手法を検証すること。

提案手法

• 全スライド画像分類のための2つの異なる畳み込みニューラルネットワーク（CNN）アーキテクチャを設計し、複雑な組織パターンを捉えるためにディープラーニングを活用した。
• モデルは、3つの異なる研究所から収集した54枚の全スライド画像のデータセット上でエンドツーエンドに訓練された。
• 入力画像は、全スライド画像の高解像度および大規模なサイズに対応するため、パッチベースの推論を用いて処理された。
• 完全畳み込みネットワーク（FCN）アーキテクチャを用いて、組織領域の密度のあるピクセル単位の分類を可能にした。
• 比較のために使用された従来手法は、公開済みの非ディープラーニングアプローチであり、手作業で設計された画像特徴量としきい値処理に依存している。
• モデルの性能は、予測された組織領域と正解領域の重複度を測るため、Jaccard係数（共通部分積比）を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのCNNアーキテクチャは、従来の非ディープラーニング手法に比べ、全スライド画像における組織領域分類で優れた性能を示せるか？
• RQ2 提案されたCNNモデルは、多様な組織タイプや染色プロトコルに対してどれほど頑健か？
• RQ3 ディープラーニング手法を用いることで、従来手法に比べて分類正確性にどの程度の定量的向上が見られるか？
• RQ4 提案された2つのCNNアーキテクチャには、組織分類タスクにおいて顕著な性能差が見られるか？

主な発見

• 提案された2つのCNNベースの手法は、それぞれJaccard係数0.937および0.929を達成し、正解組織分類と高い一致度を示している。
• 従来手法はJaccard係数0.870を達成し、両方のディープラーニング手法よりも顕著に低かった（p < 0.01）。
• 2つのCNNモデル間の性能差は統計的に有意ではなく、同等の有効性を示している。
• ディープラーニングモデルは、3つの研究所から得た54枚の全スライド画像を含む多様な組織タイプと染色変動にわたって、頑健であることが示された。