[論文レビュー] Histographs: Graphs in Histopathology

Shrey Gadiya, Deepak Anand+1 more|arXiv (Cornell University)|Aug 14, 2019

AI in cancer detection参考文献 7被引用数 4

ひとこと要約

本稿では、細胞核を頂点として、核間距離を辺として表現する空間的グラフ「Histographs」を提案する。これにより、グラフ畳み込みネットワーク（GCN）を用いて、がん性と非がん性、および原発性がんと浸潤性がんを分類可能であり、Inception-v3と同等の性能を示し、BACHデータセットではそれぞれ93%および95%の精度を達成した。パラメータ数はCNNよりも少ない。

ABSTRACT

Spatial arrangement of cells of various types, such as tumor infiltrating lymphocytes and the advancing edge of a tumor, are important features for detecting and characterizing cancers. However, convolutional neural networks (CNNs) do not explicitly extract intricate features of the spatial arrangements of the cells from histopathology images. In this work, we propose to classify cancers using graph convolutional networks (GCNs) by modeling a tissue section as a multi-attributed spatial graph of its constituent cells. Cells are detected using their nuclei in H&E stained tissue image, and each cell's appearance is captured as a multi-attributed high-dimensional vertex feature. The spatial relations between neighboring cells are captured as edge features based on their distances in a graph. We demonstrate the utility of this approach by obtaining classification accuracy that is competitive with CNNs, specifically, Inception-v3, on two tasks-cancerous versus non-cancerous and in situ versus invasive-on the BACH breast cancer dataset.

研究の動機と目的

• 組織病理画像における細胞の空間的配置を明示的に捉えることがCNNの限界であることを解決すること。
• 微視的核特徴と巨視的空間的関係を統合するグラフベースの表現を開発すること。
• Histographsに適用したGCNが、パッチベースのCNNと比較して競争力ある分類性能を達成できることを示すこと。
• より良いがん診断のため、組織構造の解釈可能でマルチスケールの分析を可能にすること。

提案手法

• H&E染色された全スライド画像上で、完全畳み込みネットワークを用いて細胞を検出し、核をHistographの頂点として使用する。
• 頂点特徴は、核の形態およびクロマチンパターンを捉える局所的画像記述子から得られる。
• 辺特徴は、隣接する核間のユークリッド距離に基づいて計算され、空間的関係が符号化される。
• 多様なグラフに強く耐性のある空間的フィルタリングを用いて、Histograph上で空間的グラフ畳み込みネットワーク（GCN）を学習し、スライド全体を分類する。
• 従来のCNNが用いるパッチ集約とは異なり、本フレームワークは組織断面全体を1つのグラフとして処理する。
• 2つの分類タスクのために、BACHデータセット上で教師ありのエンドツーエンド学習が行われる。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの組織病理スライド表現は、がん診断に重要な微視的および巨視的構造的特徴を捉えられるか？
• RQ2 Histographsに適用したGCNは、全スライド画像における最先端CNNと比較して、競争力ある分類精度を達成できるか？
• RQ3 HistographsとGCNは、主に組織構造の違いに起因する原発性がんと浸潤性がんを効果的に区別できるか？
• RQ4 手作業で設計したグラフ特徴と比較して、GCNアプローチは、組織病理分類においてより頑健または汎用性があるか？

主な発見

• Histographs上のGCNは、がん性対非がん性分類タスクで93%の分類精度を達成し、Inception-v3と同等の性能を示した。
• より困難な原発性がん対浸潤性がん分類では、GCNが95%の精度を達成し、Inception-v3の94%をわずかに上回った。
• GCNモデルは1800万パラメータにとどまり、Inception-v3の2300万パラメータよりもはるかに高いパラメータ効率を示した。
• GCNはスライド全体を1つのグラフとして直接分類するため、CNNが用いるパッチレベルの集約戦略の必要がなくなった。
• Histographフレームワークにより、分類意思決定の要因となるサブグラフを特定可能であり、解釈可能な分析が可能になった。
• 本研究は、組織構造をマルチ属性グラフとしてモデル化することで、組織病理データに対する幾何的深層学習の可能性を示した。