[論文レビュー] Deep Object Detection based Mitosis Analysis in Breast Cancer Histopathological Images

Anabia Sohail, Muhammad Ahsan Mukhtar+4 more|arXiv (Cornell University)|Mar 16, 2020

AI in cancer detection被引用数 11

ひとこと要約

本論文は、弱いアノテーションを活用して精度を向上させるために、マスクR-CNNを用いた二段階のディーブオブジェクト検出フレームワークを提案する。乳がんの組織病理画像における小核分裂像検出に特化し、TUPAC16データセットでFスコア0.86を達成し、二段階モデルを上回る性能を示した。これは、希少で曖昧な外観を示す、多様な形態的特徴を示す挑戦的な小核分裂像に対しても優れた汎化性能を示している。

ABSTRACT

Empirical evaluation of breast tissue biopsies for mitotic nuclei detection is considered an important prognostic biomarker in tumor grading and cancer progression. However, automated mitotic nuclei detection poses several challenges because of the unavailability of pixel-level annotations, different morphological configurations of mitotic nuclei, their sparse representation, and close resemblance with non-mitotic nuclei. These challenges undermine the precision of the automated detection model and thus make detection difficult in a single phase. This work proposes an end-to-end detection system for mitotic nuclei identification in breast cancer histopathological images. Deep object detection-based Mask R-CNN is adapted for mitotic nuclei detection that initially selects the candidate mitotic region with maximum recall. However, in the second phase, these candidate regions are refined by multi-object loss function to improve the precision. The performance of the proposed detection model shows improved discrimination ability (F-score of 0.86) for mitotic nuclei with significant precision (0.86) as compared to the two-stage detection models (F-score of 0.701) on TUPAC16 dataset. Promising results suggest that the deep object detection-based model has the potential to learn the characteristic features of mitotic nuclei from weakly annotated data and suggests that it can be adapted for the identification of other nuclear bodies in histopathological images.

研究の動機と目的

• 核が形態的に多様で、希少に分布し、非小核分裂核に類似しているという課題に起因する、組織病理画像における自動小核分裂像検出の挑戦に対処すること。
• ピクセル単位のセグメンテーションではなく、弱いアノテーションやボクシングボックスレベルのアノテーションを用いる状況でも検出精度を向上させること。
• 初期検出における高い再現率と、マルチオブジェクト損失関数による精度の向上を組み合わせたエンドツーエンドのディープラーニングシステムを構築すること。
• 限られたアノテーションから小核分裂像の特徴を学習する能力を評価し、他の核構造への応用可能性を検討すること。

提案手法

• 最初に高い再現率で候補領域を生成し、次に精度を向上させる二段階のオブジェクト検出フレームワークとして、マスクR-CNNを変更適用する。
• 第二段階で、ボックス回帰、マスク予測、分類の3つを同時に最適化するマルチオブジェクト損失関数を用いる。
• ピクセル単位の真値を必要とせず、弱いアノテーション付きのボクシングボックスを用いてTUPAC16データセットでモデルを学習する。
• 深層特徴をResNetバックボーンから抽出し、小核分裂像の正確な局所化と分類に寄与する階層的表現を獲得する。
• 小規模で不均衡なデータセットに対する耐性を高めるために、データオーグメンテーションとトランスファー学習の技術を適用する。
• 推論後に低品質な検出をフィルタリングするために、非最大抑制と信頼度しきい値処理を実施する。

実験結果

リサーチクエスチョン

• RQ1 ピクセル単位のアノテーションを必要としない二段階のディープオブジェクト検出モデルは、小核分裂像検出において高い精度を達成できるか？
• RQ2 提案されたマルチオブジェクト損失関数は、標準的な二段階検出器と比較して、検出精度をどのように向上させるか？
• RQ3 マスクR-CNNは、弱いアノテーション付きデータから小核分裂像の特徴をどれほど効果的に学習できるか？
• RQ4 モデルは、小核分裂像の多様な形態的変異や低コントラストな外観に対しても、十分に汎化できるか？

主な発見

• 提案モデルはTUPAC16データセットでFスコア0.86を達成し、Fスコア0.701を報告した二段階検出モデルを顕著に上回った。
• 高い精度（0.86）を示しており、視覚的に類似した非小核分裂核と区別する強力な能力を示している。
• 二段階設計により、第一段階で高い再現率を達成し、第二段階で精度を高めることが可能となり、感度と特異度のバランスが取れている。
• 弱いアノテーション付きデータからでも、小核分裂像の特徴を効果的に学習できることから、アノテーション不足に対しても頑健であることが示唆された。
• 結果から、他の核構造の検出への応用可能性が強く示唆された。