[論文レビュー] Fine-Grained Classification of Cervical Cells Using Morphological and Appearance Based Convolutional Neural Networks

Haoming Lin, Yuyang Hu+3 more|arXiv (Cornell University)|Oct 14, 2018

AI in cancer detection参考文献 26被引用数 10

ひとこと要約

本論文は、生の頸部細胞画像と自動抽出された核および胞質セグメンテーションマスクを統合する深層学習手法を提案し、異形成変化の細分化分類を向上させる。Herlevデータセットの患者単位の分割を用いて事前学習済みのCNN（例：GoogleNet）を微調整することで、2クラス分類で94.5%、7クラス分類で64.5%の精度を達成し、形態的特徴と外観特徴を併用することで、外観のみのモデルに比べて診断性能が向上することを示した。

ABSTRACT

Fine-grained classification of cervical cells into different abnormality levels is of great clinical importance but remains very challenging. Contrary to traditional classification methods that rely on hand-crafted or engineered features, convolution neural network (CNN) can classify cervical cells based on automatically learned deep features. However, CNN in previous studies do not involve cell morphological information, and it is unknown whether morphological features can be directly modeled by CNN to classify cervical cells. This paper presents a CNN-based method that combines cell image appearance with cell morphology for classification of cervical cells in Pap smear. The training cervical cell dataset consists of adaptively re-sampled image patches coarsely centered on the nuclei. Several CNN models (AlexNet, GoogleNet, ResNet and DenseNet) pre-trained on ImageNet dataset were fine-tuned on the cervical dataset for comparison. The proposed method is evaluated on the Herlev cervical dataset by five-fold cross-validation at patient level splitting. Results show that by adding cytoplasm and nucleus masks as raw morphological information into appearance-based CNN learning, higher classification accuracies can be achieved in general. Among the four CNN models, GoogleNet fed with both morphological and appearance information obtains the highest classification accuracies of 94.5% for 2-class classification task and 64.5% for 7-class classification task. Our method demonstrates that combining cervical cell morphology with appearance information can provide improved classification performance, which is clinically important for early diagnosis of cervical dysplastic changes.

研究の動機と目的

• 微細な異形成度（軽度からカイノーシスまで）への頸部細胞分類の精度を向上させること。これは臨床的に依然として挑戦的である。
• 畳み込みニューラルネットワーク（CNN）が、手作業で特徴を抽出しないで、形態的（核および胞質マスク）および外観的（RGB画像）特徴を統合的に学習できるかを検証すること。
• 事前学習済みのCNNアーキテクチャ（AlexNet、GoogleNet、ResNet、DenseNet）を、形態的入力の有無にかかわらず頸部細胞データで微調整した際の性能を評価すること。
• 細胞形態を深層学習に統合することで、頸部異形成の早期発見における臨床的価値を示すこと。

提案手法

• 本手法は、パピニャールスライドから細胞核を中心とした画像パッチを抽出し、スケールを一定に保つために適応的リサンプリングを適用する。
• 核および胞質セグメンテーションマスクは、正解アノテーションから生成され、RGB画像と統合してCNNの追加入力チャネルとして用いられる。
• 4つの事前学習済みCNNモデル（AlexNet、GoogleNet、ResNet、DenseNet）を、ImageNetからの転移学習を用いて頸部細胞データで微調整する。
• 臨床的妥当性を確保し、データ漏洩を回避するために、患者単位で5分割交差検証を実施する。
• ネットワークの入力は、3チャネルのRGB画像と、2つの追加のバイナリーマスクチャネル（核および胞質）から構成され、外観と形態の特徴を統合的にエンドツーエンドで学習可能である。
• 2クラスおよび7クラス分類タスクの両方に対して、標準指標（正確性、感度、特異度、混同行列）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 生のRGB画像に加えて核および胞質セグメンテーションマスクを統合することで、外観のみのモデルに比べて、細分化頸部細胞分類の正確性が向上するか？
• RQ2 CNNを用いた形態的特徴の統合が、頸部細胞分類において、従来の手作業特徴抽出手法を上回る性能を発揮するか？
• RQ3 頸部細胞の形態および外観データで微調整された際、AlexNet、GoogleNet、ResNet、DenseNetのうち、どの事前学習済みCNNアーキテクチャが最も優れた性能を示すか？
• RQ4 患者単位のデータ分割は、臨床的関連性の高い設定における分類性能の評価にどのように影響するか？
• RQ5 深層ネットワークであるResNetおよびDenseNetは、その高い容量にもかかわらず、このデータセットでは性能を発揮しないのはなぜか？

主な発見

• GoogleNet-5Cは、外観および形態的特徴を入力に与えた場合、2クラス分類で94.5%の最高精度を達成し、感度97.4%、特異度90.4%を示した。
• 7クラス分類タスクでは、GoogleNet-5Cが64.5%の精度を達成し、Herlevデータセットにおける以前の最先端手法より3.7ポイント高い性能を示した。
• 核および胞質マスクの追加により、RGB画像単体を使用した場合に比べ、すべてのCNNモデルで分類性能が顕著に向上した。
• ResNetおよびDenseNetモデルはGoogleNetを上回らなかったが、これは相対的に小さなHerlevデータセットであるにもかかわらず、深層構造の影響で過学習が生じたためと推察される。
• 最も困難なクラスは中等度異形成であり、正しく分類された割合はわずか37%にとどまり、微細な形態的変化の区別が依然として困難であることを示している。
• 混同行列の分析から、柱状細胞が核が濃く、胞質が小さいなどの重複する形態的特徴のため、重度異形成と誤分類される傾向があることが明らかになった。