[論文レビュー] DA-RefineNet:A Dual Input Whole Slide Image Segmentation Algorithm Based on Attention

Ziqiang Li, Rentuo Tao+2 more|arXiv (Cornell University)|Jul 15, 2019

Advanced Neural Network Applications参考文献 26被引用数 4

ひとこと要約

本稿では、全スライド画像（WSI）分類のための二入力アテンションベースのU-Net変種、DA-RefineNetを提案する。このモデルは、局所的なピクセル単位の特徴量とグローバルな全画像特徴量を融合させることで受容 field を拡大し、分類精度を向上させる。アテンションベースの特徴量融合を活用することで、単一入力手法に比べて優れた性能を発揮し、とくにノイズを低減し、文脈的理解を向上させることで、良性組織と正常組織領域を区別する能力が向上する。

ABSTRACT

Automatic medical image segmentation has wide applications for disease diagnosing. However, it is much more challenging than natural optical image segmentation due to the high-resolution of medical images and the corresponding huge computation cost. The sliding window is a commonly used technique for whole slide image (WSI) segmentation, however, for these methods based on the sliding window, the main drawback is lacking global contextual information for supervision. In this paper, we propose a dual-inputs attention network (denoted as DA-RefineNet) for WSI segmentation, where both local fine-grained information and global coarse information can be efficiently utilized. Sufficient comparative experiments are conducted to evaluate the effectiveness of the proposed method, the results prove that the proposed method can achieve better performance on WSI segmentation compared to methods relying on single-input.

研究の動機と目的

• 全スライド画像（WSI）分類における単一入力ディーブラーニングモデルの限界、すなわちグローバルな文脈的監視の欠如を是正すること。
• 全WSIからの粗いグローバルな意味的情報を組み込むことで、局所的なピクセル単位の予測をガイドし、分類精度を向上させること。
• 全WSIを局所ピクチャの解像度に合わせてダウンサンプリングすることで、計算コストを低減しつつ受容 field を拡大すること。
• 細粒度の局所特徴量と粗いグローバル特徴量を効果的に統合するための特徴量統合戦略を評価・最適化すること。
• アテンションベースの統合が単純な連結や加算に比べて優れていることを示し、より良い一般化性能と高速な収束を実現すること。

提案手法

• 一つのブランチが局所的な高解像度ピクチャを処理し、もう一つのブランチがダウンサンプリングされた全WSIを処理する二入力エンコーダ・デコーダアーキテクチャを提案する。
• 局所的およびグローバルな特徴エンコーダーの両方でResNet-50またはResNet-101をバックボーンとして使用し、階層的特徴を抽出する。
• グローバルな文脈をガイドとして用いて、局所特徴量を再重み付け・再編成するアテンションベースの特徴量統合モジュールを導入する。
• RefineNetからのチェインド残差プーリングおよびスキップ接続を適用し、空間的詳細を保持するとともに特徴表現を強化する。
• ICIAR2018 WSI分類データセットを用いて、標準的なデータオーギュメンテーションを施した上で、交差エントロピー損失を用いてエンドツーエンドでモデルを訓練する。
• モデルの内在的性能評価の整合性を保つために、後処理技術を一切適用しない。

実験結果

リサーチクエスチョン

• RQ1 グローバルな全画像コンテキストの統合は、全スライド画像解析における局所ピクチャベースのモデルの分類精度を向上させることができるか？
• RQ2 アテンションベースの特徴量統合は、単純な連結や加算に比べて、局所的およびグローバル特徴量の統合においてどのように優れているか？
• RQ3 提案された二入力アーキテクチャは、単一入力モデルに比べて、良性および正常組織領域におけるノイズと誤分類を低減するか？
• RQ4 アテンションベースの統合を用いる場合、浅いネットワーク（例：ResNet-50）が深いネットワーク（例：ResNet-101）を上回る性能を示すか？ これは効率性の向上を示唆するか？
• RQ5 モデルの性能は、特徴量統合戦略およびネットワークの深さの選択にどの程度依存するか？

主な発見

• アテンションベースの二入力モデルは、ICIAR2018テストセットで最高のDiceスコア（0.892）を達成し、単一入力モデルおよびマルチサイズ二入力ベースラインを顕著に上回った。
• アテンション統合戦略は、ResNet-50の方がResNet-101よりも優れた結果を示した。これは、アテンションがより複雑な特徴抽出器がなくても、効果的な特徴再編成を可能にすることを示している。
• 可視化結果から、本手法は単一入力モデルに比べてはるかにクリアなセグメンテーションマスクを生成し、赤色ノイズ（正常領域が誤って良性と分類される）が著しく減少していた。
• グローバルコンテキストを活用することで、曖昧な局所的テクスチャの不一致を解消し、正常および良性領域の誤分類を低減した。
• アテンションベースの統合戦略は、モデルのロバストネスと収束速度を向上させ、計算コストを低減しつつ高い性能を実現した。
• アブレーションスタディにより、アテンションベースの統合は、異なるバックボーンアーキテクチャおよびデータセット分割において、連結や加算を常に上回ることが確認された。