[論文レビュー] DeepSDCS: Dissecting cancer proliferation heterogeneity in Ki67 digital whole slide images

Priya Narayanan, Shan E Ahmed Raza+4 more|arXiv (Cornell University)|Jun 28, 2018

AI in cancer detection参考文献 9被引用数 8

ひとこと要約

本稿では、VGG16ベースのSDCSネットワークから得られるハイパーカラム記述子を用いて、全スライド画像におけるKi67陽性および陰性のがん細胞、ストーマ、およびリンパ球を同時に検出・セグメンテーションする深層学習フレームワーク、DeepSDCSを提案する。生検および全スライドテストセットでそれぞれ99.06%および89.59%の正確性を達成し、経験的閾値を必要としない手法として、弱く染色された核の検出において従来の機械学習手法を上回る性能を示した。

ABSTRACT

Ki67 is an important biomarker for breast cancer. Classification of positive and negative Ki67 cells in histology slides is a common approach to determine cancer proliferation status. However, there is a lack of generalizable and accurate methods to automate Ki67 scoring in large-scale patient cohorts. In this work, we have employed a novel deep learning technique based on hypercolumn descriptors for cell classification in Ki67 images. Specifically, we developed the Simultaneous Detection and Cell Segmentation (DeepSDCS) network to perform cell segmentation and detection. VGG16 network was used for the training and fine tuning to training data. We extracted the hypercolumn descriptors of each cell to form the vector of activation from specific layers to capture features at different granularity. Features from these layers that correspond to the same pixel were propagated using a stochastic gradient descent optimizer to yield the detection of the nuclei and the final cell segmentations. Subsequently, seeds generated from cell segmentation were propagated to a spatially constrained convolutional neural network for the classification of the cells into stromal, lymphocyte, Ki67-positive cancer cell, and Ki67-negative cancer cell. We validated its accuracy in the context of a large-scale clinical trial of oestrogen-receptor-positive breast cancer. We achieved 99.06% and 89.59% accuracy on two separate test sets of Ki67 stained breast cancer dataset comprising biopsy and whole-slide images.

研究の動機と目的

• 大規模な乳がんコhortにおける自動Ki67スコアリングのための汎用的で正確な手法の不足に対処すること。
• 臨床的IHCスライドにおける染色の不均一性およびクロマチン分布の多様性により、弱く染色されたKi67陰性核の検出が困難であるという課題を克服すること。
• 手作業による細胞境界のアノテーションを必要とせず、同時に細胞検出、セグメンテーション、分類を実行する統合パイプラインの開発。
• 手動手法と比較して、Ki67増殖スコアリングの再現性を向上させ、観察者間および観察者内変動を低減すること。
• 大規模な臨床試験において自動Ki67スコアの臨床的妥当性を検証可能にする、堅牢でエンドツーエンドの深層学習フレームワークの提供。

提案手法

• 微調整されたVGG16に基づく、同時検出および細胞セグメンテーション（SDCS）ネットワークを、細胞の重心を検出および初期セグメンテーションマスクを生成するように学習。
• 複数の畳み込み層からの活性化マップを統合することでハイパーカラム記述子を抽出し、マルチスケールの意味的および空間的情報を統合して、局所化および特徴表現の向上を図る。
• これらのハイパーカラムを用いて、細胞領域のピクセル単位の真値を必要とせずに、勾配降下法に基づく最適化により核の検出およびセグメンテーションを精緻化する。
• セグメンテーション出力からのシードを、空間的に制約を加えた畳み込みニューラルネットワーク（SCNN）に供給し、4つのクラス（Ki67陽性がん細胞、Ki67陰性がん細胞、ストーマ細胞、リンパ球）への最終分類を実行。
• カバースリップアーチファクトの抑制を図るため、組織領域マスクを統合し、全スライド画像における耐性を向上。
• トレーニング段階で完全インスタンスセグメンテーションに比べて、アノテーション負荷を顕著に低減するため、重心アノテーションのみを必要とする。

実験結果

リサーチクエスチョン

• RQ1 ハイパーカラムに基づく特徴統合は、染色の不均一性が顕著なIHC染色全スライド画像において、弱く染色されたKi67陰性核の検出を改善できるか？
• RQ2 ハイパーカラム記述子を用いたSDCSネットワークは、従来の機械学習手法に比べて、細胞セグメンテーションおよび分類の正確性でどの程度優れているか？
• RQ3 統合された深層学習パイプラインは、Ki67染色乳がんスライドにおいて、複数の細胞タイプの正確な検出、セグメンテーション、分類を同時に達成できるか？
• RQ4 本手法は、生検および全スライド画像を含む多様なサンプルタイプにおいて、大規模な臨床コhortでどの程度の性能を示すか？
• RQ5 重心アノテーションのみを用いることで、スケーラブルかつ効率的なトレーニングが可能となり、高精度な分類正確性を維持できるか？

主な発見

• DeepSDCSフレームワークは、生検画像テストセットで99.06%、全スライド画像テストセットで89.59%の正確性を達成し、サンプルタイプを問わず高い性能を示した。
• ハイパーカラム記述子の使用により、手作業で特徴を設計する従来の機械学習手法に比べ、弱く染色されたKi67陰性核の検出が顕著に向上した。
• Otsu閾値化や距離変換を用いるベースライン手法とは異なり、セグメンテーションに経験的閾値を必要としなくなった。
• 視覚的検査の結果、SVMベースのテクスチャ手法と比較して、Ki67陽性細胞がKi67陰性細胞と誤分類されるケースが減少した。
• ストーマ細胞およびリンパ球の細胞分類に成功し、増殖スコアリングを超えた腫瘍微小環境のより深い分析が可能になった。
• 重心アノテーションのみに依存するため、スケーラブルであり、完全インスタンスセグメンテーションに比べてアノテーション時間と作業負荷が著しく低減された。