[論文レビュー] Histopathologic Image Processing: A Review

Jonathan de Matos, Alceu de Souza Britto+2 more|arXiv (Cornell University)|Apr 16, 2019

AI in cancer detection参考文献 100被引用数 24

ひとこと要約

本稿は、ヒストパスロジック画像（HI）処理のための機械学習技術について包括的なレビューを提示しており、浅層的および深層的学習手法を用いたセグメンテーション、特徴抽出、分類に焦点を当てる。本稿では、InceptionV3を用いたトランスファー学習とパッチベースのデータオーグメンテーションを組み合わせたハイブリッド手法を提案し、不要な画像パッチをフィルタリングすることで、乳がん分類において91%の正確性を達成。ベースライン手法を上回る性能を発揮した。

ABSTRACT

Histopathologic Images (HI) are the gold standard for evaluation of some tumors. However, the analysis of such images is challenging even for experienced pathologists, resulting in problems of inter and intra observer. Besides that, the analysis is time and resource consuming. One of the ways to accelerate such an analysis is by using Computer Aided Diagnosis systems. In this work we present a literature review about the computing techniques to process HI, including shallow and deep methods. We cover the most common tasks for processing HI such as segmentation, feature extraction, unsupervised learning and supervised learning. A dataset section show some datasets found during the literature review. We also bring a study case of breast cancer classification using a mix of deep and shallow machine learning methods. The proposed method obtained an accuracy of 91% in the best case, outperforming the compared baseline of the dataset.

研究の動機と目的

• ヒストパスロジック画像（HI）処理のための最新のコンピューティング技術、特に浅層的および深層的学習手法をレビューし統合すること。
• アノテート済みのHIデータセットが限られている課題に対処するために、データオーグメンテーションおよび特徴フィルタリング戦略を提案し、分類性能を向上させること。
• 事前学習済みInceptionV3を用いた深層特徴と浅層分類器（SVM）を組み合わせたヒストパスロジック画像分類の有効性を評価すること。
• PCAで低次元化した深層特徴を用いて情報量が少ないパッチをフィルタリングすることで、分類正確性およびモデルの頑健性が向上するかを調査すること。
• トランスファー学習およびパッチベース処理が、HI解析におけるデータ不足を克服する上で実用的であることを示すこと。

提案手法

• 本研究では、データセット、非教師ありおよび教師ありの浅層的手法、深層学習、関連レビューを含む、HI処理技術に関する文献レビューを実施した。
• 事例研究として、乳がん（BreaKHis）および大腸がん（CRC）の全スライド画像から、パッチベースのデータオーグメンテーションを適用し、多様な訓練サンプルを生成した。
• ImageNetで事前学習済みのInceptionV3ネットワークを用いて深層特徴を抽出し、次元削減として主成分分析（PCA）を適用して100、200、400、600次元に削減した。
• PCAで低次元化した深層特徴に基づき、情報量が少ないパッチをフィルタリングするメカニズムを導入し、データセットサイズを削減しながら関連領域を保持した。
• SVM分類器を、複数の倍率（40x、100x、200x、400x）におけるフィルタリング済みおよび未フィルタリングパッチ上で学習させ、性能を評価した。
• 5分割交差検証を用いて、フィルタリング済み対未フィルタリングパッチセットの性能を比較し、各設定における正確性と標準偏差を報告した。

実験結果

リサーチクエスチョン

• RQ1 パッチベースのデータオーグメンテーションと深層特徴フィルタリングを組み合わせることで、ヒストパスロジック画像解析における分類正確性が向上するか？
• RQ2 事前学習済みの深層特徴（InceptionV3経由）とPCAに基づく次元削減を用いることで、情報量が多いパッチの選択にどのような影響を与えるか？
• RQ3 深層特徴を用いて情報量が少ないパッチをフィルタリングすることで、すべてのパッチを使用する場合と比較して分類タスクの性能が向上するか？
• RQ4 異なる倍率が、パッチフィルタリングおよび分類正確性の有効性にどのように影響を与えるか？
• RQ5 大規模データセット（ImageNet）からのトランスファー学習が、HI分類タスクにおけるデータ不足を緩和できるか？

主な発見

• 深層特徴とPCAを用いたパッチフィルタリング手法により、不要なパッチを削減しながら、分類性能を維持または向上させることができた。
• 最高の分類正確性91%は、100倍倍率で200次元の深層特徴を用いたフィルタリング済みパッチで達成され、ベースラインを上回った。
• 16回の交差検証のうち13回でフィルタリングが結果を改善し、わずか1回（40x、200特徴）を除き、わずかな性能低下が観察された。
• 200倍倍率では、すべての特徴次元に対してフィルタリングプロセスが一貫して結果を改善し、100次元特徴で正確性90.3%（標準偏差3.4）を達成した。
• 2048次元の特徴を600次元に次元削減することで、累積分散の95%を保持でき、効果的な次元削減が可能であることが裏付けられた。
• 本研究では、トランスファー学習とパッチフィルタリングを組み合わせることが、データが限られるHI分類タスクにおけるモデル性能向上に有効な戦略であると確認した。