[論文レビュー] Convolution Neural Networks for diagnosing colon and lung cancer histopathological images

Sanidhya Mangal, Aanchal Chaurasia+1 more|arXiv (Cornell University)|Sep 8, 2020

AI in cancer detection参考文献 33被引用数 86

ひとこと要約

浅いCNNをLC25000組織病理データセット上で訓練し、肺と結腸の癌画像を分類。過度な前処理なしで両タスクで約98%の精度を達成。研究はアーキテクチャ、訓練戦略、結果を分析する。

ABSTRACT

Lung and Colon cancer are one of the leading causes of mortality and morbidity in adults. Histopathological diagnosis is one of the key components to discern cancer type. The aim of the present research is to propose a computer aided diagnosis system for diagnosing squamous cell carcinomas and adenocarcinomas of lung as well as adenocarcinomas of colon using convolutional neural networks by evaluating the digital pathology images for these cancers. Hereby, rendering artificial intelligence as useful technology in the near future. A total of 2500 digital images were acquired from LC25000 dataset containing 5000 images for each class. A shallow neural network architecture was used classify the histopathological slides into squamous cell carcinomas, adenocarcinomas and benign for the lung. Similar model was used to classify adenocarcinomas and benign for colon. The diagnostic accuracy of more than 97% and 96% was recorded for lung and colon respectively.

研究の動機と目的

• 組織病理画像からの肺および結腸癌のコンピュータ支援診断を動機づける。
• 浅いCNNが肺の扁平上皮癌と腺癌、および結腸の腺癌を効果的に分類できるかを評価する。
• 高解像度の組織病理画像を過度なダウンサンプリングなしで学習できることを示す。
• 再現性のための訓練/評価プロトコルを提供し、モデルアーティファクトを公開する。

提案手法

• LC25000データセットを、5クラスそれぞれ5,000枚の画像で使用し、拡張によって25,000枚に拡大する。
• 3層の畳み込みニューラルネットワークを構築（フィルター数32、64、64、カーネルサイズ3x3、ストライド2）し、その後全結合層を2層（512と3または2出力）とする。
• 各畳み込み層の後にReLU活性化、最大プーリングを適用し、密結合層間にドロップアウトを適用する。
• RMSprop、ミニバッチサイズ32、学習率1e-4、rho0.9、epsilon1e-7、カテゴリカルクロスエントロピー損失で100イテレーション訓練する。
• 80-10-10の訓練/検証/テスト分割で評価し、画像レベルの精度と損失を報告する。TensorFlowでモデルを実装し、h5アーティファクトを共有する。

実験結果

リサーチクエスチョン

• RQ1 浅いCNNは肺の組織病理画像を腺癌、扁平上皮癌、または良性に正確に分類できるか？
• RQ2 同じアーキテクチャは結腸の組織病理画像を腺癌または良性に高い精度で分類できるか？
• RQ3 LC25000で訓練された浅いCNNは、同じデータ上で従来の機械学習手法や転移学習アプローチを上回るか？

主な発見

• Lungモデルは訓練精度97.9216%、損失5.83230を達成; バリデーション精度97.8987%、損失6.11450%となった。
• Colonモデルは訓練精度96.9503%、損失7.9340%を達成; バリデーション精度96.6110%、損失9.7141%となった。
• 両方のモデルは約20エポックで収束。ドロップアウトは精度/損失のプロットにばらつきを生んだが、汎化を助けた。
• このアプローチは、浅いCNNが高解像度の組織病理画像を過度なダウンサンプリングなしで効果的に分類できることを示している。
• 特徴マップは、学習済みフィルターがGaborフィルターに似たテクスチャ様のパターンを示しており、学習された表現を裏付けている。