[論文レビュー] Histopathological Image Classification using Discriminative Feature-oriented Dictionary Learning

Tiep H. Vu, Hojjat Seyed Mousavi+3 more|arXiv (Cornell University)|Jun 16, 2015

AI in cancer detection参考文献 27被引用数 7

ひとこと要約

本稿では、スパarsity制約の下でテストサンプルのスパース表現を可能にするクラス固有の辞書を学習する低複雑性の手法、特徴指向的判別的辞書学習（DFDL）を提案する。DFDLは分類精度を向上させ、限られた学習データ下でも滑らかな精度の低下を示し、乳がん病変、臓器組織、脳腫瘍を含む3つの実世界のヒストパスロジー画像データセットで最先端の手法を上回る性能を発揮する。

ABSTRACT

In histopathological image analysis, feature extraction for classification is a challenging task due to the diversity of histology features suitable for each problem as well as presence of rich geometrical structures. In this paper, we propose an automatic feature discovery framework via learning class-specific dictionaries and present a low-complexity method for classification and disease grading in histopathology. Essentially, our Discriminative Feature-oriented Dictionary Learning (DFDL) method learns class-specific dictionaries such that under a sparsity constraint, the learned dictionaries allow representing a new image sample parsimoniously via the dictionary corresponding to the class identity of the sample. At the same time, the dictionary is designed to be poorly capable of representing samples from other classes. Experiments on three challenging real-world image databases: 1) histopathological images of intraductal breast lesions, 2) mammalian kidney, lung and spleen images provided by the Animal Diagnostics Lab (ADL) at Pennsylvania State University, and 3) brain tumor images from The Cancer Genome Atlas (TCGA) database, reveal the merits of our proposal over state-of-the-art alternatives. {Moreover, we demonstrate that DFDL exhibits a more graceful decay in classification accuracy against the number of training images which is highly desirable in practice where generous training is often not available

研究の動機と目的

• 組織間における高い幾何的・形態的多様性のため、ヒストパスロジー画像分類における判別的特徴抽出の課題に対処すること。
• 特定の診断問題に特化したハンドクラフト特徴に依存しない、自動的かつデータ駆動型の特徴発見フレームワークを構築すること。
• 特に医療画像で一般的なデータが限られた状況下でも、分類のロバスト性と一般化性能を向上させること。
• 正しいクラスの辞書アトムを誤ったクラスのものよりも優遇することで、表現精度を向上させる辞書学習アプローチを設計すること。

提案手法

• DFDLは、各テストサンプルがその対応するクラスの辞書のみを用いてスパースに表現されるように、クラス固有の辞書を学習する。この際、スパarsity制約が適用される。
• 正しいクラスの再構成誤差を最小化すると同時に、他のすべてのクラスの誤差を最大化するような共同目的関数を最適化する。
• 表現係数のℓ1ノルムを用いたスパarsity促進項と、学習の安定化を図る平均正則化項を組み込む。
• Frobeniusノルムに基づく勾配計算を用いた反復的射影法により最適化を実行し、事前計算された項を活用することで計算を効率化する。
• 再構成、スパarsity、平均正則化項の勾配を計算し、1反復あたりの計算複雑性を解析する。
• このフレームワークは、導管内乳癌病変、ラット臓器組織、TCGA脳腫瘍画像を含む複数のデータセットに適用され、スパースコーディングを用いた分類が実施された。

実験結果

リサーチクエスチョン

• RQ1 データ適応的かつクラス固有の辞書学習フレームワークは、従来のハンドクラフト特徴手法を上回る性能を発揮するか？
• RQ2 提案手法DFDLは、限られた学習データ下で最先端の代替手法と比較してどのように性能を発揮するか？
• RQ3 辞書の判別的設計は、多様なヒストパスロジー画像データセットにおいて分類精度とロバスト性をどの程度向上させるか？
• RQ4 訓練データサイズが減少するに従い、性能の劣化が滑らかになるか、すなわち一般化性能が向上するか？

主な発見

• DFDLは、導管内乳がん病変、ラット臓器組織、TCGA脳腫瘍画像を含む3つの実世界のヒストパスロジーDBにおいて、最先端の手法を上回る優れた分類精度を達成した。
• 訓練画像数が減少するに従い、分類精度の低下がより滑らかであることが示され、データが限られた状況下でも優れた一般化性能を示した。
• DFDLの計算複雑性は解析され、効率的なスケーリングが示された。全コストは $ T_{\text{FDDL}} \approx c^{2}kN(2d+2qck)+c^{3}dk^{2} $ と推定された。ここで $ c $ はクラス数、$ k $ は辞書サイズ、$ d $ は特徴次元、$ N $ は訓練サンプル数、$ q $ は反復回数である。
• 最適化フレームワークは、正しいクラスの表現誤差を最小化すると同時に誤ったクラスの誤差を最大化することで、再構成精度と判別力のバランスを効果的にとった。
• 平均正則化項とスパarsity項の導入により、すべてのクラスにおいてスパースコーディングプロセスの安定性と収束性が向上した。