[論文レビュー] Considerations for a PAP Smear Image Analysis System with CNN Features

Srishti Gautam, K K Harinarayan+4 more|arXiv (Cornell University)|Jun 23, 2018

AI in cancer detection被引用数 15

ひとこと要約

本論文は、子宮頸がんスクリーニングのためのCNNベースの核検出とトランスファーラーニングを用いたPAP染色画像分析システムを提案し、高精度なセグメンテーションが分類に不要であることを示している。低レベルのCNN特徴量とトランスファーラーニングを活用することで、2クラス分類で99.3%、7クラス分類で93.75%の最先端の結果を達成し、核検出のみで効果的な分類が可能であることを証明した。

ABSTRACT

It has been shown that for automated PAP-smear image classification, nucleus features can be very informative. Therefore, the primary step for automated screening can be cell-nuclei detection followed by segmentation of nuclei in the resulting single cell PAP-smear images. We propose a patch based approach using CNN for segmentation of nuclei in single cell images. We then pose the question of ion of segmentation for classification using representation learning with CNN, and whether low-level CNN features may be useful for classification. We suggest a CNN-based feature level analysis and a transfer learning based approach for classification using both segmented as well full single cell images. We also propose a decision-tree based approach for classification. Experimental results demonstrate the effectiveness of the proposed algorithms individually (with low-level CNN features), and simultaneously proving the sufficiency of cell-nuclei detection (rather than accurate segmentation) for classification. Thus, we propose a system for analysis of multi-cell PAP-smear images consisting of a simple nuclei detection algorithm followed by classification using transfer learning.

研究の動機と目的

• 手作業によるスクリーニングの時間とミスのリスクを減らす、子宮頸がんスクリーニングのための自動化されたPAP染色画像分析システムの開発。
• 深層学習を用いたPAP染色画像分類において、正確な核セグメンテーションが必須かどうかの調査。
• 低レベルのCNN特徴量とトランスファーラーニングが、正常・異常細胞の分類にどの程度有効であるかの評価。
• セグメンテーション済み核を用いた分類と、検出された核（背景を含む）を用いた分類の性能比較。
• スケーラブルで高精度なスクリーニングを実現するため、核検出とトランスファーラーニングを組み合わせた軽量で効率的なシステムの提案。

提案手法

• 単一細胞のPAP染色画像における核セグメンテーションを目的とした、選択的プリプロセッシングを施したパッチベースCNNを用い、HerlevデータセットでFスコア0.90を達成。
• 多細胞画像に対して単純な核検出アルゴリズムを適用し、バウンディングボックスによるクロッピングと20ピクセルのパディングを施して、分類用のサブ画像を生成。
• 2クラスおよび7クラス分類タスクの両方において、AlexNetアーキテクチャ（特にconv1T層）を用いたトランスファーラーニングを、フル画像または検出済み細胞画像上で微調整。
• 深層学習モデルとの性能比較のため、意思決定木を代替分類手法として採用。
• 地面真理によるセグメンテーションと本手法によるセグメンテーションの両方を用いて分類を評価し、複数のデータセットで性能を比較。
• 複雑なAindraデータセットにおける堅牢な評価を確保するため、スライド全体画像から3つのランダムなトレーニング・バリデーション分割を生成。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いたPAP染色画像分類において、正確な核セグメンテーションは必要か？
• RQ2 初期の畳み込み層からの低レベルCNN特徴量は、完全なセグメンテーションなしで細胞形態を効果的に表現できるか？
• RQ3 検出済み核（背景を含む）を用いた分類と、完全にセグメンテッド核を用いた分類の性能はどのように異なるか？
• RQ4 事前学習済みCNN（例：AlexNet）を用いたトランスファーラーニングは、最小限の微調整でPAP染色画像分類において最先端の性能を達成できるか？
• RQ5 検出されたサブ画像に文脈的背景ピクセルを含めることで、分類精度が、孤立したセグメンテーション済み核よりも向上するか？

主な発見

• 本手法は、検出済み核サブ画像を用いたトランスファーラーニングにより、複雑なAindraデータセットでトレーニング精度95.5%、バリデーション精度85.7%を達成した。
• Herlevデータセットにおける2クラス分類では、conv1Tトランスファーラーニングアーキテクチャを用いて99.3%の精度を達成し、既存のすべての手法（包括的最先端のANNモデル99.27%を含む）を上回った。
• Herlevデータセットにおける7クラス分類では、93.75%の精度を達成し、ベンチマーク結果（61.1%）を上回り、ANNベースライン（93.78%）に非常に近い性能を示した。
• 背景を含む検出済み核を用いた分類は93.75%の精度を示したが、セグメンテーションベースの手法では性能が低かった（地面真理：82.33%、本手法：78.25%）、これは背景の文脈情報が分類に役立つことを示している。
• 正確なセグメンテーションが高精度分類に不要であることが実証された。核検出に文脈情報を組み合わせるだけで十分であり、この文脈ではセグメンテーションを上回る性能を発揮した。
• 完全結合層の微調整のみを用いたトランスファーラーニングアプローチは、新規CNNを訓練するのと比べてはるかに高速かつ簡便であり、優れたもしくは同等の性能を達成した。