[論文レビュー] Generalizing multistain immunohistochemistry tissue segmentation using one-shot color deconvolution deep neural networks

Amal Lahiani, Jacob Gildenblat+3 more|arXiv (Cornell University)|May 17, 2018

AI in cancer detection参考文献 25被引用数 10

ひとこと要約

本論文では、全スライド画像における複数の免疫ヒストケミストリー（IHC）染色法にわたる組織セグメンテーションの一般化を実現するワンショットカラー脱成分化ディープニューラルネットワークを提案する。U-Netアーキテクチャに学習可能なカラー脱成分化レイヤーを統合することで、事前に定義された染色基準ベクトルを必要とせず、トレーニングの安定性、収束速度、マルチ染色データに対する一般化性能が向上し、多様な染色プロトコルにおいて腫瘍、健康組織、壊死組織の分離が堅牢に実現された。

ABSTRACT

A key challenge in cancer immunotherapy biomarker research is quantification of pattern changes in microscopic whole slide images of tumor biopsies. Different cell types tend to migrate into various tissue compartments and form variable distribution patterns. Drug development requires correlative analysis of various biomarkers in and between the tissue compartments. To enable that, tissue slides are manually annotated by expert pathologists. Manual annotation of tissue slides is a labor intensive, tedious and error-prone task. Automation of this annotation process can improve accuracy and consistency while reducing workload and cost in a way that will positively influence drug development efforts. In this paper we present a novel one-shot color deconvolution deep learning method to automatically segment and annotate digitized slide images with multiple stainings into compartments of tumor, healthy tissue, and necrosis. We address the task in the context of drug development where multiple stains, tissue and tumor types exist and look into solutions for generalizations over these image populations.

研究の動機と目的

• がん免疫療法バイオマーカー研究における手作業による時間のかかる、一貫性のない組織アノテーションの課題に対処すること。
• 薬剤開発で一般的に見られるが、先行する自動セグメンテーション研究で十分に検討されていない複数のIHC染色法および組織タイプに一般化可能なディープラーニング手法を開発すること。
• 固定された基準画像や単一染色の仮定に依存する従来の染色正規化およびカラー脱成分化手法の限界を克服すること。
• 1ショットの方法で、多様な染色変動に適応可能な、学習可能なカラー脱成分化モジュールを統合したエンドツーエンドのセグメンテーションネットワークのトレーニングを可能にすること。
• SmoothGrad やクラス最大化の合成画像といった可視化技術を用いて、病理医の信頼を築けるようにモデルの解釈可能性を向上させること。

提案手法

• 入力部分に学習可能なカラー脱成分化レイヤーを統合したU-Netベースのセグメンテーションネットワークを採用し、トレーニング中に染色固有の分解を自動で学習可能にした。
• 77枚の全スライド画像（H&Eおよび8種類のIHC染色）を含むデータセットを用い、51枚をトレーニング、26枚をテストに分けることで、エンドツーエンドの訓練を実施した。
• 高解像度スライドを10倍倍率で512×512×3のRGBパッチに重複領域を含めてタイル化し、文脈情報と計算可能性のバランスを取った。
• 病理医によるアノテーションに基づく正例ラベルを4クラス（腫瘍、組織、壊死、除外＝バックグラウンド）に設定し、極端なクラス不均衡に対処するためのクラスバランス戦略を適用した。
• カラー脱成分化レイヤーをバックプロパゲーション中に最適化するワンショットトレーニング方式を採用し、染色基準ベクトルの事前知識を不要とした。
• モデル意思決定の解釈を図るため、SmoothGrad やクラスアクティベーションマップといった可視化技術を用いた。

実験結果

リサーチクエスチョン

• RQ1 事前に定義された染色基準画像に依存せずに、複数の免疫ヒストケミストリー染色法にわたる組織セグメンテーションの一般化が、ディープラーニングモデルで可能かどうか。
• RQ2 学習可能なカラー脱成分化レイヤーを統合することで、マルチ染色ヒストパスロジー分類においてトレーニングの安定性と収束速度がどのように向上するか。
• RQ3 本手法は、世界的に分布する臨床スライドの染色ばらつきに対処するうえで、従来の染色正規化や固定脱成分化アプローチをどの程度上回るか。
• RQ4 標準的手法と比較して、学習されたカラー脱成分化特徴は、染色ばらつきに対する解釈可能性と頑健性の面でどの程度優れているか。
• RQ5 クラス最大化の合成画像や勾配ベースのサリエンシーマップといった可視化技術は、病理医がネットワークのセグメンテーション意思決定を効果的に説明できるか。

主な発見

• 提案されたワンショットカラー脱成分化モジュールは、マルチ染色データに対する標準的なU-Netトレーニングと比較して、トレーニング収束速度と安定性が顕著に向上した。
• テストセットにおいても一般化性能が向上し、多様な染色プロトコルおよび組織タイプにわたる頑健性を示した。
• カラー脱成分化レイヤーの可視化により、H&Eおよび複数のIHC組み合わせに対し、効果的に染色チャネルを分離していることが確認された。
• SmoothGrad分析から、特に組織および壊死クラスにおいて、ネットワークの意思決定プロセスが十分に大きな有効受容 field に依存していることが明らかになった。
• 固定された染色基準ベクトルや外部正規化に依存するベースライン手法と比較して、特に染色ばらつきが著しい状況下でも本手法が優れた性能を示した。
• 解釈可能な可視化技術の統合により、モデルの透明性が向上し、病理医による自動セグメンテーション出力への信頼性が強化された。