[論文レビュー] Instance-aware Self-supervised Learning for Nuclei Segmentation

Xinpeng Xie, Jiawei Chen+4 more|arXiv (Cornell University)|Jul 22, 2020

AI in cancer detection参考文献 17被引用数 4

ひとこと要約

本稿では、ラベルなしヒストパスロジー画像から核のサイズおよび数の事前知識を暗黙的に学習するため、スケール別トリプレット学習とカウントランクリングを活用したインスタンスに依存する自己教師あり学習フレームワークを提案する。この手法は、自己教師ありResUNet-101を用いてMoNuSegデータセットで70.63%の平均AJIを達成し、自己教師あり学習の最先端性能を大きく上回った。

ABSTRACT

Due to the wide existence and large morphological variances of nuclei, accurate nuclei instance segmentation is still one of the most challenging tasks in computational pathology. The annotating of nuclei instances, requiring experienced pathologists to manually draw the contours, is extremely laborious and expensive, which often results in the deficiency of annotated data. The deep learning based segmentation approaches, which highly rely on the quantity of training data, are difficult to fully demonstrate their capacity in this area. In this paper, we propose a novel self-supervised learning framework to deeply exploit the capacity of widely-used convolutional neural networks (CNNs) on the nuclei instance segmentation task. The proposed approach involves two sub-tasks (i.e., scale-wise triplet learning and count ranking), which enable neural networks to implicitly leverage the prior-knowledge of nuclei size and quantity, and accordingly mine the instance-aware feature representations from the raw data. Experimental results on the publicly available MoNuSeg dataset show that the proposed self-supervised learning approach can remarkably boost the segmentation accuracy of nuclei instance---a new state-of-the-art average Aggregated Jaccard Index (AJI) of 70.63%, is achieved by our self-supervised ResUNet-101. To our best knowledge, this is the first work focusing on the self-supervised learning for instance segmentation.

研究の動機と目的

• 核インスタンスセグメンテーションのためのアノテート済みヒストパスロジー画像が限られているという課題に対処すること。
• 高価な手動アノテーションへの依存を減らすために、自己教師あり事前学習フレームワークを開発し、データ不足問題を克服すること。
• 生のラベルなしデータ上で代理タスクを用いることで、畳み込みニューラルネットワークがインスタンスに依存する特徴（特に核のサイズと数）を暗黙的に学習できることを可能にすること。
• 事前学習段階でインスタンスレベルのアノテーションに依存せずに、核インスタンスセグメンテーションで最先端の性能を達成すること。
• MoNuSegおよびCPMデータセットの両方で検証することで一般化性と頑健性を示し、強力なベースラインを常に上回ることを示すこと。

提案手法

• 核のサイズと数の事前知識をネットワークに組み込むために、スケール別トリプレット学習とカウントランクリングの2つのサブタスクから成る自己教師あり代理タスクを設計する。
• ヒストパスロジー画像のパッチからトリプレットサンプル（アーキテクチャ、ポジティブ、ネガティブ）を生成し、ポジティブはアーキテクチャと同程度の核サイズ、ネガティブはより大きな核サイズを持つようにする。
• スケール別トリプレット損失（$\mathcal{L}_{ST}$）を定式化し、類似サイズの核に対して特徴埋め込みを近づけ、異なるサイズの核に対しては遠ざけるように制御する。
• カウントランクリング損失（$\mathcal{L}_{CR}$）を導入し、核密度に基づいてパッチをランク付けすることで、ネットワークが核数の相対的差を学習するように促進する。
• インスタンスレベルのアノテーションを一切使用せず、MoNuSegデータセットを用いてResUNet-101バックボーンを組み合わせた代理タスクで事前学習する。
• 微調整段階では、わずかなアノテーションデータのみを用いて、下流の核インスタンスセグメンテーションタスクに事前学習モデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 核のサイズと数の事前知識をエンコードする自己教師あり代理タスクが、アノテーションが限られた状況でインスタンスセグメンテーション性能を向上させられるか？
• RQ2 標準的な自己教師あり手法（例：Jigsaw, RotNet, ColorMe）と比較して、本稿で提案するインスタンスに依存する自己教師あり学習フレームワークは核インスタンスセグメンテーションでどのように性能を発揮するか？
• RQ3 本稿で提案する代理タスクで事前学習をすることで、核セグメンテーションにおける大規模アノテーションデータの必要性はどの程度低減されるか？
• RQ4 スケール別トリプレット損失とカウントランクリング損失を併用することで、単独で使用する場合よりも優れた特徴表現が得られるか？
• RQ5 本稿で提案する手法はMoNuSeg以外のヒストパスロジー・データセットに対しても一般化可能か？

主な発見

• 提案された自己教師あり事前学習戦略は、MoNuSeg 2018テストセットで70.63%の平均アグリゲート・ジャコーディ指数（AJI）を達成し、以前の最高性能手法（CIA-Net）を1.56ポイント上回った。
• アノテーションなしでインスタンスに依存する特徴を学習することで、学習から再開した場合に比べてAJIが+5.34%向上し、その有効性が裏付けられた。
• アブレーションスタディの結果、スケール別トリプレット学習とカウントランクリング損失を併用することで、学習から再開した場合に比べて最大の性能向上（+5.34%）が得られ、個別に使用した場合の寄与はそれぞれ+4.35%および+4.80%であった。
• CPMデータセットでは、自己教師ありResUNet-101が平均Diceスコア86.36%を達成し、CPM 2018コンペティション優勝者（87.00%）と同等の性能を示した。
• トレーニングアノテーションの10%のみを用いて微調整した場合、AJIが+11.43%向上した。これは、本手法のデータ効率の高さを示している。
• CIA-Net（DenseNetエンコーダーと二重デコーダーを採用）と比較して、本フレームワークはより低い計算コストと少ないパラメータ数で優れた性能を達成した。