[論文レビュー] Manifold Learning & Stacked Sparse Autoencoder for Robust Breast Cancer Classification from Histopathological Images.

Sawon Pratiher, Subhankar Chattoraj|arXiv (Cornell University)|Jun 18, 2018

AI in cancer detection被引用数 11

ひとこと要約

本稿では、多様体学習とスタックドスパースオートエンコーダーを組み合わせた深層学習フレームワークを提案し、組織像からのロバストでニアリアルタイムな多クラス乳がん分類を実現する。BreakHisデータセットにおいて、95.8%の正確性を達成し、最先端手法に比べてロビュラー癌の認識率が38.2%向上した。200X倍率では99.3%の正確性を示し、二値グレーディングにおいて100%の感受性を達成した。

ABSTRACT

Histopathological images (HI) encrypt resolution dependent heterogeneous textures & diverse color distribution variability, manifesting in micro-structural surface tissue convolutions. Also, inherently high coherency of cancerous cells poses significant challenges to breast cancer (BC) multi-classification. As such, multi-class stratification is sparsely explored & prior work mainly focus on benign & malignant tissue characterization only, which forestalls further quantitative analysis of subordinate classes like adenosis, mucinous carcinoma & fibroadenoma etc, for diagnostic competence. In this work, a fully-automated, near-real-time & computationally inexpensive robust multi-classification deep framework from HI is presented. The proposed scheme employs deep neural network (DNN) aided discriminative ensemble of holistic class-specific manifold learning (CSML) for underlying HI sub-space embedding & HI hashing based local shallow signatures. The model achieves 95.8% accuracy pertinent to multi-classification & 2.8% overall performance improvement & 38.2% enhancement for Lobular carcinoma (LC) sub-class recognition rate as compared to the existing state-of-the-art on well known BreakHis dataset is achieved. Also, 99.3% recognition rate at 200X & a sensitivity of 100% for binary grading at all magnification validates its suitability for clinical deployment in hand-held smart devices.

研究の動機と目的

• 組織像からの多クラス乳がん分類の課題に取り組み、分析をしばしば良性・悪性の二値分類に限定するのを回避する。
• 組織像におけるがん細胞の高い一貫性と、テクスチャーや色のばらつきが、正確な分類を妨げる要因となるのを克服する。
• ハンドヘルド臨床デバイスへのデプロイメントに適した、ロバストで計算効率が良く、ニアリアルタイムの分類を実現する。
• 二値分類を超えて、アテノーシス、ムコイノイド癌、線維腺腫瘍などの低頻度・未代表的なサブクラスの認識を向上させる。
• 特にロビュラー癌のような困難なサブクラスに対して、複数の倍率レベルで高い性能を発揮することを達成する。

提案手法

• 組織像の潜在的サブスペースを埋め込むために、クラス固有の多様体学習（CSML）を用いた包括的で判別的なアンサンブルを採用する。
• 局所的な浅い特徴を抽出するため、HIハッシングを用いて組織像からの特徴表現を強化する。
• 階層的でロバストかつ低次元の組織像特徴表現を学習するために、スタックドスパースオートエンコーダーを用いる。
• 多様体学習とオートエンコーダー基盤の特徴学習を統合し、エンドツーエンド分類を実現する統一された深層ニューラルネットワーク（DNN）フレームワークを構築する。
• リソース制限のあるハンドヘルドデバイスへのデプロイメントを支援するため、計算効率と低レイテンシを最適化する。
• 複数の倍率レベル（例：200X）で、有名なBreakHisデータセットを用いてフレームワークを訓練および検証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習フレームワークは、希少または未代表的なクラスを含む、複数の乳がんサブタイプを組織像から効果的に分類できるか？
• RQ2 クラス固有の多様体学習とスパースオートエンコーダーの統合は、特徴表現と分類正確性をどのように向上させるか？
• RQ3 特にロビュラー癌において、提案手法は最先端手法に比べて、全体の正確性およびサブクラス認識の両面でどの程度優れているか？
• RQ4 200X倍率という診断用途において極めて重要な解像度において、複数の倍率レベルで高い性能を維持できるか？
• RQ5 計算効率が高く感受性も高いことから、ハンドヘルド臨床デバイスへのリアルタイムデプロイメントに適しているか？

主な発見

• 提案フレームワークは、多クラスのBreakHisデータセットにおいて95.8%の分類正確性を達成し、既存の最先端手法を顕著に上回った。
• 従来手法に比べてロビュラー癌の認識率が38.2%向上し、困難なサブクラスに対する分類能力の向上を示した。
• 200X倍率では99.3%の認識率を達成し、高解像度診断レベルでも優れた性能を示した。
• 全倍率レベルで二値グレーディングにおいて100%の感受性を達成し、良性と悪性組織を区別する際の偽陰性をゼロに抑えた。
• 計算効率が高く、ハンドヘルドスマートデバイスでのニアリアルタイムデプロイメントに適したため、ポイント・オブ・ケア診断を可能にした。
• CSMLとHIハッシングの統合により、特に組織像におけるテクスチャーや色のばらつきに対処する特徴の識別能が向上した。