[論文レビュー] DASGAN -- Joint Domain Adaptation and Segmentation for the Analysis of Epithelial Regions in Histopathology PD-L1 Images

Ansh Kapil, Tobias Wiestler+6 more|arXiv (Cornell University)|Jun 26, 2019

AI in cancer detection参考文献 15被引用数 19

ひとこと要約

本稿では、ドメイン適応とセマンティックセグメンテーションを統合的に実行するエンドツーエンドのディーブラーニングフレームワーク、DASGANを提案する。この手法により、PD-L1染色ヒストパスロジー画像における腫瘍上皮の高精度なセグメンテーションが可能となる。半自動的にアノテートされたキトキラチン（CK）画像と、CycleGANを用いた非ペアド画像間変換を活用することで、訓練用に合成PD-L1画像を生成し、上皮部の検出でF1スコア0.886の最先端性能を達成するとともに、臨床的意義のあるPD-L1腫瘍細胞（TC）スコア推定（Linの一致係数Lcc = 0.93）を可能にする。

ABSTRACT

The analysis of the tumor environment on digital histopathology slides is becoming key for the understanding of the immune response against cancer, supporting the development of novel immuno-therapies. We introduce here a novel deep learning solution to the related problem of tumor epithelium segmentation. While most existing deep learning segmentation approaches are trained on time-consuming and costly manual annotation on single stain domain (PD-L1), we leverage here semi-automatically labeled images from a second stain domain (Cytokeratin-CK). We introduce an end-to-end trainable network that jointly segment tumor epithelium on PD-L1 while leveraging unpaired image-to-image translation between CK and PD-L1, therefore completely bypassing the need for serial sections or re-staining of slides. Extending the method to differentiate between PD-L1 positive and negative tumor epithelium regions enables the automated estimation of the PD-L1 Tumor Cell (TC) score. Quantitative experimental results demonstrate the accuracy of our approach against state-of-the-art segmentation methods.

研究の動機と目的

• PD-L1染色ヒストパスロジー画像の手動アノテーションが限られているという課題に対処する。これは、生成に費用と時間がかかるためである。
• CK画像とPD-L1画像のペアが存在しないという課題を克服するため、非ペアド画像間変換を活用して、CKドメインのセグメンテーションマスクをPD-L1ドメインに転送する。
• ドメイン適応とセマンティックセグメンテーションを同時に最適化するエンドツーエンドでトレーニング可能なモデルを開発し、2段階アプローチよりも性能を向上させる。
• 非小細胞肺癌（NSCLC）における免疫チェックポイント阻害薬療法への反応予測のための主要バイオマーカーであるPD-L1腫瘍細胞（TC）スコアの自動推定を可能にする。
• 未学習データ上で病理医によるスコアと高い一致を示すことで、臨床的妥当性を実証する。

提案手法

• カラーデコンボリューション、Otsuのしきい値処理、およびモルフォロジカル操作を用いて、キトキラチン（CK）染色画像上で境界が明確な上皮セグメンテーションマスクを半自動的に生成する。
• ペアド画像や再染色を必要とせず、サイクル整合性のある敵対的訓練を用いて、CK画像を現実的で合成されたPD-L1画像に変換するためのCycleGANを適用する。
• CycleGANの翻訳ネットワークを、統合されたDASGANフレームワーク内にセマンティックセグメンテーションヘッドと統合し、画像変換とセグメンテーションの共同最適化を可能にする。
• 敵対的損失、サイクル整合性損失、セグメンテーション交差エントロピー損失を用いて、DASGANモデルをエンドツーエンドで訓練する。セグメンテーションヘッドは、実際のPD-L1アノテーションで監視される。
• 生成された合成PD-L1画像と、実際のPD-L1アノテーションを組み合わせてセグメンテーションネットワークを訓練し、手動ラベル依存度を低減する。
• 上皮領域をPD-L1陽性または陰性に分類するようにモデルを拡張し、自動的に腫瘍細胞（TC）スコアを計算可能にする。

実験結果

リサーチクエスチョン

• RQ1 CKからPD-L1への非ペアド画像間変換が、ペアド画像を必要とせずにセマンティックセグメンテーションのための合成トレーニングデータを効果的に生成できるか？
• RQ2 エンドツーエンドの1つのネットワークでドメイン適応とセグメンテーションを共同最適化するDASGANは、ドメイン変換とセグメンテーションを別々に訓練する2段階アプローチを上回る性能を示すか？
• RQ3 DASGANフレームワークは、実際のPD-L1アノテーションでのみ学習されたモデルと比較して、PD-L1染色ヒストパスロジー画像における上皮領域のセグメンテーション精度をどの程度向上させるか？
• RQ4 DASGANモデルは、臨床的意義のあるバイオマーカーであるPD-L1腫瘍細胞（TC）スコアを、病理医によるスコアと高い一致で正確に推定できるか？
• RQ5 特に低データ環境下において、DASGANの性能は手動アノテーションの量に依存してどのように変化するか？

主な発見

• DASGANは、バイナリ上皮セグメンテーションでF1スコア0.886、3クラス分類（PD-L1陰性、陽性、非上皮領域）でF1スコア0.850を達成し、実際のPD-L1データでのみ学習されたモデル（F1 = 0.807/0.805）や2段階アプローチ（F1 = 0.805/0.804）を上回る性能を示した。
• 病理医によるスコアと高い一致を示し、704枚の未学習PD-L1画像上でLinの一致係数（Lcc）0.93、ピアソン積率相関係数（Pcc）0.94を達成した。
• DASGANが予測したTCスコアと病理医が推定したスコアとの平均絶対誤差（MAE）は7.30であり、臨床的信頼性が非常に高いことを示している。
• 合成データによる性能向上は、低アノテーション環境下で特に顕著である。豊富な実際のアノテーションが存在する状況でも、DASGANはF1を0.916（ベースラインは0.894）まで向上させた。
• 2段階アプローチ（別々にドメイン適応とセグメンテーションを訓練）は、実際のPD-L1データでのみ学習したモデルと同等の性能にとどまり、共同最適化が不可欠であることを示唆している。
• DASGANモデルは、PD-L1陽性および陰性の上皮領域を効果的に区別でき、臨床的意義のあるTCスコアの自動計算が可能である。