[論文レビュー] Deep Features for Tissue-Fold Detection in Histopathology Images

Morteza Babaie, Hamid R. Tizhoosh|arXiv (Cornell University)|Mar 17, 2019

AI in cancer detection参考文献 22被引用数 5

ひとこと要約

本稿では、事前学習済み畳み込みニューラルネットワーク（CNN）を特徴抽出器として用い、SVM分類器を用いて全スライド画像（WSI）における組織の折りたたみを検出する深層学習ベースの手法を提案している。20倍の倍率で2.5mm × 2.5mmのH&E染色パッチを用い、DenseNet-201とSVMを組み合わせた手法は96.3％の正確度（データ拡張を適用した場合97.2％）を達成し、未学習のNIHのWSIに対しても81％のパッチ単位の正確度を示した。これは、臨床的品質管理における強力な潜在的可能性を示している。

ABSTRACT

Whole slide imaging (WSI) refers to the digitization of a tissue specimen which enables pathologists to explore high-resolution images on a monitor rather than through a microscope. The formation of tissue folds occur during tissue processing. Their presence may not only cause out-of-focus digitization but can also negatively affect the diagnosis in some cases. In this paper, we have compared five pre-trained convolutional neural networks (CNNs) of different depths as feature extractors to characterize tissue folds. We have also explored common classifiers to discriminate folded tissue against the normal tissue in hematoxylin and eosin (H\&E) stained biopsy samples. In our experiments, we manually select the folded area in roughly 2.5mm $ imes$ 2.5mm patches at $20$x magnification level as the training data. The ``DenseNet'' with 201 layers alongside an SVM classifier outperformed all other configurations. Based on the leave-one-out validation strategy, we achieved $96.3\%$ accuracy, whereas with augmentation the accuracy increased to $97.2\%$. We have tested the generalization of our method with five unseen WSIs from the NIH (National Cancer Institute) dataset. The accuracy for patch-wise detection was $81\%$. One folded patch within an image suffices to flag the entire specimen for visual inspection.

研究の動機と目的

• 全スライド画像（WSI）における組織の折りたたみが診断やスキャン品質に悪影響を及えるという課題に対処すること。
• H&E染色バイオプシー標本における折りたたまれた組織を、深層特徴を用いて堅牢で自動化された手法で検出すること。
• 外部データセット（例：NIH）からの異なるWSIにわたる深層特徴の一般化能力を評価すること。
• 最適なパフォーマンスを達成するための複数の事前学習済みCNNと分類器の比較を行うこと。

提案手法

• 全スライド画像からの2.5mm × 2.5mmパッチに対して、事前学習済みCNN（VGG16、GoogleNet、InceptionV3、ResNet101、DenseNet201）を特徴抽出器として使用した。
• 各ネットワークの最終全結合層から特徴を抽出し、その後L2正規化を実施した。
• 分類器として二次関数カーネルを用いたサポートベクターマシン（SVM）を採用し、手動でラベル付けされた折りたたまれた組織パッチと通常のパッチを用いて学習した。
• 一般化性能の向上と誤検出の低減を目的に、回転・反転などのデータ拡張を適用した。
• モデルの評価にはローバー・オブ・オブ・クロスバリデーション（leave-one-out cross-validation）を用い、パッチサイズを変更しながら（1500×1500から4000×4000まで）、NIHデータセットの5つの未学習のWSIをテストした。
• 重複なしのパッチ単位での分類を実施し、少なくとも1つの折りたたみパッチが検出されれば、全WSIを視覚的点検の対象としてマークした。

実験結果

リサーチクエスチョン

• RQ1 H&E染色ヒストパスロジー画像における折りたたまれた組織と通常の組織を区別するための最良の事前学習済みCNNアーキテクチャはどれか？
• RQ2 データ拡張は、組織の折りたたみ検出モデルのパフォーマンスと頑健性にどのように影響するか？
• RQ3 限定的で手動でキュレートされたデータセットで学習したモデルは、異なるソースからの未学習の全スライド画像に効果的に一般化できるか？
• RQ4 パッチサイズとウィンドウング戦略の影響は、実世界のWSI評価における検出正確度にどのように現れるか？
• RQ5 1つの折りたたみパッチの検出で十分に全WSIを臨床的レビューの対象としてマークできるか？

主な発見

• DenseNet-201とSVM分類器を組み合わせた手法は、トレーニングデータセットでローバー・オブ・オブ・クロスバリデーションを用いた場合、96.3％の最高正確度を達成した。
• データ拡張を適用した場合、モデルの正確度は97.2％に向上し、誤検出率は2.6％から2.1％に低下した。
• NIHデータセットの5つの未学習のWSIに対して、81％のパッチ単位の検出正確度を達成した。これは、新規データへの適応性が十分に認められることを示している。
• データ拡張後も誤陽性率は変化しなかったため、モデルの特異性に顕著な変化は見られなかった。
• 誤検出の主な原因は、パッチ境界をまたぐ部分的な折りたたみカバレッジや、トレーニング用パッチサイズ（5000×5000）とテスト用ウィンドウサイズ（1500×1500）の不一致に起因していた。
• 結果から、1つの折りたたみパッチの検出でも、全WSIを視覚的点検の対象としてマークするのに十分であることが示された。これは、臨床的有用性を支持するものである。