[論文レビュー] MITOS-RCNN: A Novel Approach to Mitotic Figure Detection in Breast Cancer Histopathology Images using Region Based Convolutional Neural Networks

Siddhant Rao|arXiv (Cornell University)|Jul 4, 2018

AI in cancer detection参考文献 16被引用数 26

ひとこと要約

MITOS-RCNNは、乳がんの組織画像における正確な有糸分裂像の検出を目的とした、新規の2段階型領域ベース畳み込みニューラルネットワーク（RCNN）を提案する。マルチスケール特徴抽出とデュアル領域提案ネットワークを活用することで、先行する最先端モデルと比較してFスコア0.955を達成し、6.11%の向上を示した。これは、臨床的水準の有糸分裂数の推定において、小規模対象物検出の精度と再現率に優れていることを示している。

ABSTRACT

Studies estimate that there will be 266,120 new cases of invasive breast cancer and 40,920 breast cancer induced deaths in the year of 2018 alone. Despite the pervasiveness of this affliction, the current process to obtain an accurate breast cancer prognosis is tedious and time consuming, requiring a trained pathologist to manually examine histopathological images in order to identify the features that characterize various cancer severity levels. We propose MITOS-RCNN: a novel region based convolutional neural network (RCNN) geared for small object detection to accurately grade one of the three factors that characterize tumor belligerence described by the Nottingham Grading System: mitotic count. Other computational approaches to mitotic figure counting and detection do not demonstrate ample recall or precision to be clinically viable. Our models outperformed all previous participants in the ICPR 2012 challenge, the AMIDA 2013 challenge and the MITOS-ATYPIA-14 challenge along with recently published works. Our model achieved an F-measure score of 0.955, a 6.11% improvement in accuracy from the most accurate of the previously proposed models.

研究の動機と目的

• 乳がん予後評価における時間のかかる、誤差の多い手作業による有糸分裂像数え上げの臨床的課題に対処すること。
• 有糸分裂の全段階にわたり、低密度で形態が多様な有糸分裂像を正確に検出できる深層学習モデルの開発。
• 臨床的実用性に十分な再現率と精度を欠いている既存の計算手法の改善。
• より良い乳がんグレーディングのため、自動的でスケーラブルかつコスト効率の良い有糸分裂数の推定を可能にすること。
• 実臨床の病理学的ワークフローで一般的な多様な染色プロトコルおよび画像条件に一般化できるようにすること。

提案手法

• 小規模対象物の検出を向上させるために、2段階型、トップダウン型、マルチスケール領域提案ネットワーク（RPN）を備えたFaster-RCNNアーキテクチャを適応。
• 複数スケールでの領域提案を可能にするデュアルRPN機構を採用し、小規模で形状が多様な有糸分裂像への感受性を向上。
• 特徴抽出にVGG-16バックボーンを用い、染色色の正規化を施した上でヒストパスロジー画像で微調整することで、異なる施設間のばらつきを低減。
• 回転、反転、スケーリングなどのデータ拡張技術を適用し、データセットの多様性を高め、小規模データセットの限界を緩和。
• クロスエントロピー損失と領域別分類を用いてエンドツーエンドで学習し、バウンディングボックスの局所化とオブジェクト分類を最適化。
• 誤検出を低減するため、「有糸分裂像でない」クラスを導入し、アポトーシス細胞や染色アーティファクトからの誤検出を抑制。

実験結果

リサーチクエスチョン

• RQ1 領域ベースCNNアーキテクチャは、先行する深層学習およびハンドクラフト特徴ベースの手法と比較して、有糸分裂像の検出精度をより高めることができるか？
• RQ2 デュアルRPN機構は、有糸分裂全段階にわたり、小規模で形態が多様な有糸分裂像の検出を改善するか？
• RQ3 染色正規化とデータ拡張は、多様なヒストパスロジー画像データセットへのモデル一般化をどの程度向上させるか？
• RQ4 低密度の有糸分裂像検出において、臨床的実用性に十分な精度と再現率を達成できるか？
• RQ5 本モデルの推論速度は、先行研究と比較してどうか？リアルタイム臨床応用に適しているか？

主な発見

• MITOS-RCNNはFスコア0.955を達成し、最も正確な先行モデルと比較して6.11%の精度向上を示した。
• ICPR 2012、AMIDA 2013、MITOS-ATYPIA-14の各コンテストにおいて、すべての過去参加者を上回り、優れた一般化性能を示した。
• 1高倍率視野（HPF）あたりの平均推論時間は0.5秒であり、臨床ワークフローにおいて実用的であることが示された。
• ハンドクラフト特徴ではなく、学習された特徴を用いることで、検出の頑健性と精度が顕著に向上した。
• データセットサイズが限られても、データ拡張と染色正規化により、アポトーシス細胞や染色アーティファクトからの誤検出が低減した。
• 未知のデータに対しても優れた性能を示し、多様な臨床環境への導入可能性を示唆した。