[論文レビュー] Histopathologic Cancer Detection

Varan Singh Rohila, Neeraj Lalwani+1 more|arXiv (Cornell University)|Nov 13, 2023

AI in cancer detection被引用数 14

ひとこと要約

この論文は PatchCamelyon でベースライン MLP とシングル層 CNN を比較し、その後 ResNet50、InceptionNet をデータ拡張とアンサンブルで探索し、ResNet50 がデータセット上で最先端の成果を達成することを示す。

ABSTRACT

Early diagnosis of the cancer cells is necessary for making an effective treatment plan and for the health and safety of a patient. Nowadays, doctors usually use a histological grade that pathologists determine by performing a semi-quantitative analysis of the histopathological and cytological features of hematoxylin-eosin (HE) stained histopathological images. This research contributes a potential classification model for cancer prognosis to efficiently utilize the valuable information underlying the HE-stained histopathological images. This work uses the PatchCamelyon benchmark datasets and trains them in a multi-layer perceptron and convolution model to observe the model's performance in terms of precision, Recall, F1 Score, Accuracy, and AUC Score. The evaluation result shows that the baseline convolution model outperforms the baseline MLP model. Also, this paper introduced ResNet50 and InceptionNet models with data augmentation, where ResNet50 is able to beat the state-of-the-art model. Furthermore, the majority vote and concatenation ensemble were evaluated and provided the future direction of using transfer learning and segmentation to understand the specific features.

研究の動機と目的

• 早期がん診断を自動化された組織病理画像分析を通じて動機付ける。
• パッチを分類するための簡単なベースラインと深層学習モデルを評価する。
• PatchCamelyon での性能向上のためのデータ拡張とアンサンブル戦略を評価する。
• 将来の方向性として転移学習とセグメンテーションに関する洞察を提供する。

提案手法

• 転移性組織を二値ラベルとする PatchCamelyon（96x96 RGBパッチ）を使用する。
• ベースラインの MLP（隠れ層768ノード）と単一層の畳み込みモデルを訓練する。
• データ拡張を用いて ResNet50 と InceptionNet を訓練し、プーリング層を追加する。出力を結合し、ドロップアウトを適用する。
• ResNet50 と InceptionNet の多数決と結合アンサンブルを評価し、転移学習のベースラインと比較する。
• Precision、Recall、F1、Accuracy、AUC の性能を報告する。指定された学習率で Adam オプティマイザーを使用する。
• 早期終了や拡張の詳細を含む、モデルパラメータとトレーニングの具体について議論する。

Figure 1: Examples From the Dataset.

実験結果

リサーチクエスチョン

• RQ1 PatchCamelyon における簡易なベースライン（MLP、単一畳み込み）と深層アーキテクチャ（ResNet50、InceptionNet）との相対的な性能はどの程度か？
• RQ2 データ拡張は histopathologic patches に対する深層 CNN の性能を改善するか？
• RQ3 アンサンブル法（多数決、結合）は単一モデルに比べてこのタスクで測定可能な改善を提供するか？
• RQ4 転移学習とセグメンテーションは病理画像のがん組織検出をさらに改善する方向を提供できるか？

主な発見

Model	Precision	Recall	F1 Score	Accuracy	AUC Score
Baseline MLP	0.677	0.567	0.617	0.715	0.774
Baseline Convolution	0.791	0.731	0.760	0.812	0.875
ResNet50	0.950	0.932	0.941	0.952	0.988
InceptionNet	0.929	0.920	0.925	0.925	0.983
Majority Vote	0.905	0.969	0.936	0.946	-
Concatenation Ensemble	0.922	0.927	0.925	0.939	0.982
Model proposed in [4]	0.957	0.952	0.955	0.946	-

• ベースラインの畳み込みモデルは精度が高く（81.2%）、ベースラインの MLP を上回り、すべての指標で上回る。
• データ拡張を用いた ResNet50 はテスト済みモデルの中で最も強い性能を示し、高い Precision、Recall、F1、AUC を達成。
• InceptionNet も良好に機能するが、いくつかの指標で ResNet50 をやや下回る。
• アンサンブル（多数決および結合）は競合する結果を示し、転移学習およびセグメンテーションからの潜在的な利得を示唆。
• 全体として、データ拡張を伴う畳み込みアーキテクチャは単純なベースラインを上回り、このタスクにおける重みの共有の有効性を示している。

Figure 2: MLP Baseline Model.