[論文レビュー] Deep Learning Framework for Multi-class Breast Cancer Histology Image Classification

Yeeleng S. Vang, Zhen Chen+1 more|arXiv (Cornell University)|Feb 3, 2018

AI in cancer detection参考文献 8被引用数 10

ひとこと要約

本論文は、パッチレベル分類にInception V3を用い、画像レベル予測のためのアンサンブル統合戦略（多数決投票、勾配ブースティング、ロジスティック回帰の組み合わせ）を採用する深層学習フレームワークを提案する。良性および正常組織クラスの感度を向上させるために、特徴抽出器としてデュアルパスネットワーク（DPN）を用い、2段階目のアンサンブルとしてGBM、SVM、およびロジスティック回帰を適用した。これにより、ICIAR 2018 BACHデータセットでSOTA（最先端）より12.5%高い87.5%の正確度を達成した。

ABSTRACT

In this work, we present a deep learning framework for multi-class breast cancer image classification as our submission to the International Conference on Image Analysis and Recognition (ICIAR) 2018 Grand Challenge on BreAst Cancer Histology images (BACH). As these histology images are too large to fit into GPU memory, we first propose using Inception V3 to perform patch level classification. The patch level predictions are then passed through an ensemble fusion framework involving majority voting, gradient boosting machine (GBM), and logistic regression to obtain the image level prediction. We improve the sensitivity of the Normal and Benign predicted classes by designing a Dual Path Network (DPN) to be used as a feature extractor where these extracted features are further sent to a second layer of ensemble prediction fusion using GBM, logistic regression, and support vector machine (SVM) to refine predictions. Experimental results demonstrate our framework shows a 12.5$\%$ improvement over the state-of-the-art model.

研究の動機と目的

• 腫瘍組織の分類性能が低い正常および良性組織クラスを念頭に、乳がん組織画像の正確な多クラス分類に取り組むこと。
• 視覚的類似性のためしばしば誤分類される良性および正常組織の分類感度を向上させること。
• トランスファー学習とアンサンブル手法を活用した、堅牢でスケーラブルな深層学習パイプラインを構築すること。
• 4クラスの乳がん組織画像分類に関するICIAR 2018グランドチャレンジデータセットで最先端の性能を達成すること。

提案手法

• GPUメモリ制限に対応するため、全スライド画像の切り出し領域に対してInception V3アーキテクチャを用いてパッチレベル分類を実施する。
• パッチレベルの予測を、多数決投票、勾配ブースティングマシン（GBM）、およびロジスティック回帰を含むアンサンブルフレームワークで統合し、画像レベル分類を実現する。
• 良性および正常クラスの感度を向上させるために、Vahadane正規化画像上で微調整されたデュアルパスネットワーク（DPN）を特徴抽出器として用いる。
• DPN埋め込み特徴量に対して、2段階目のアンサンブル統合をGBM、SVM、およびロジスティック回帰を用いて実施し、良性対正常の二値分類を実現する。
• マケンコおよびVahadane正規化によるデータオーグメンテーションを適用し、染色変動に対する耐性と一般化性能を向上させる。
• ヒートマップベースの後処理戦略として、クラスマップ生成および8方向の画像回転におけるヒストограмベース統合を用い、予測の一貫性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 GPUメモリ制限がある中で、Inception V3を用いたパッチベースの深層学習アプローチが、4クラスの乳がん組織画像分類において高い正確度を達成できるか？
• RQ2 複数のパッチレベル予測を統合する際、アンサンブル統合戦略が画像レベル分類性能をどのように向上させるか？
• RQ3 標準モデルと比較して、特徴抽出器としてデュアルパスネットワーク（DPN）を用いることで、良性および正常組織クラスの分類感度が向上するか？
• RQ4 最初にInception V3を用い、次にDPNと複数の分類器で精練する2段階のアンサンブルフレームワークが、全体の正確度および感度をどの程度向上させるか？
• RQ5 マケンコおよびVahadane正規化といった技術と、後処理戦略を組み合わせることで、組織画像の染色変動に対するモデルの耐性が向上するか？

主な発見

• 提案フレームワークは、ICIAR 2018テストセットで全体の正確度87.5%を達成し、前回のSOTAモデルより12.5%の向上を示した。
• 良性クラスの感度は80%に上昇し、ベースラインモデルの66.7%から約20%の改善を達成した。
• 正常クラスの感度も80%に向上し、ベースラインモデルの77.8%から向上した。
• リファインメント段階でDPNを用いることで、困難な良性および正常組織分類タスクにおける性能が顕著に向上した。
• DPN特徴量上でGBM、SVM、およびロジスティック回帰を統合したアンサンブル統合戦略が最も高い正確度を達成し、複数モデル統合の有効性を示した。
• リファインメント段階がなくても、ベースラインモデルより6%の正確度向上を達成しており、初期のアンサンブルアプローチの価値を裏付けた。