[論文レビュー] Mitosis Detection, Fast and Slow: Robust and Efficient Detection of Mitotic Figures

Mostafa Jahanifar, Adam Shephard+5 more|arXiv (Cornell University)|Aug 26, 2022

AI in cancer detection被引用数 6

ひとこと要約

本論文は、二段階で構成され、ロバストかつ効率的な有丝分裂検出フレームワーク「Detecting Fast」と「Detecting Slow」を提案する。まず、新規の軽量ネットワーク（EUNet）を用いて高速な候補領域のセグメンテーション（Detecting Fast）を行い、次にEfficientNet-B7を用いて精緻な分類（Detecting Slow）を実行する。本手法は、多様なヒストロロジー・データセットにおいて最先端の性能と一般化能力を達成し、MIDOG21およびMIDOG22チャレンジで1位を獲得した。また、TCGA-BRCAコhortから622,000枚を超える有丝分裂像を含む大規模リポジトリの公開を可能にした。

ABSTRACT

Counting of mitotic figures is a fundamental step in grading and prognostication of several cancers. However, manual mitosis counting is tedious and time-consuming. In addition, variation in the appearance of mitotic figures causes a high degree of discordance among pathologists. With advances in deep learning models, several automatic mitosis detection algorithms have been proposed but they are sensitive to {\em domain shift} often seen in histology images. We propose a robust and efficient two-stage mitosis detection framework, which comprises mitosis candidate segmentation ({\em Detecting Fast}) and candidate refinement ({\em Detecting Slow}) stages. The proposed candidate segmentation model, termed extit{EUNet}, is fast and accurate due to its architectural design. EUNet can precisely segment candidates at a lower resolution to considerably speed up candidate detection. Candidates are then refined using a deeper classifier network, EfficientNet-B7, in the second stage. We make sure both stages are robust against domain shift by incorporating domain generalization methods. We demonstrate state-of-the-art performance and generalizability of the proposed model on the three largest publicly available mitosis datasets, winning the two mitosis domain generalization challenge contests (MIDOG21 and MIDOG22). Finally, we showcase the utility of the proposed algorithm by processing the TCGA breast cancer cohort (1,125 whole-slide images) to generate and release a repository of more than 620K mitotic figures.

研究の動機と目的

• がん予後予測における手作業による有丝分裂数え上げの高頻度の評価者間ばらつきと時間のかかりやすさを是正すること。
• スキャナーや染色プロトコル、組織タイプの違いに起因する全スライド画像におけるドメインシフトの課題を克服すること。
• 病理医のマルチスケール作業フローを模倣した、高速かつ高精度な有丝分裂検出システムを構築すること。
• ベンチマークとモデル開発のための、大規模かつ公開可能な有丝分裂検出データセットを生成すること。
• ドメイン一般化技術を用いて、多様な組織像の外観に対しても一般化性能を向上させること。

提案手法

• フレームワークは二段階パイプラインを採用：まず、EUNetが高速かつ低解像度での有丝分裂候補のセグメンテーション（Detecting Fast）を実行する。
• 次に、より深いEfficientNet-B7分類器が候補を精査し、真正の有丝分裂と類似物を区別する（Detecting Slow）。
• EUNetは、限定的なアノテーションで特徴の学習を向上させるために、エンコーダーおよびデコーダーの両方に対して自己教師型事前学習戦略を採用する。
• ドメインシフトに強い性能を発揮するため、ドメイン不変特徴学習とデータ拡張戦略を含むドメイン一般化技術を適用する。
• ポイントアノテーションはNuClickを用いてマスクに変換され、セグメンテーションの弱教師あり学習が可能になる。
• 系統立てられたアーティファクトパッチで微調整することで、染色やマークイングに起因する誤検出を低減する。

実験結果

リサーチクエスチョン

• RQ1 二段階ディープラーニングフレームワークは、既存手法を上回る性能を発揮すると同時に、高速性とドメインシフトに対するロバスト性を維持できるか？
• RQ2 ドメイン一般化技術の異なる組み合わせが、多様なヒストロジー・データセットにおける有丝分裂セグメンテーション性能にどのように影響を与えるか？
• RQ3 軽量セグメンテーションモデルに続く深層分類器の組み合わせが、検出精度と効率性をどの程度向上できるか？
• RQ4 提案手法は、異なるスキャナーや組織タイプ、染色プロトコルに対しても効果的に一般化できるか？
• RQ5 大規模な全スライド画像コホートに適用した場合、本手法のスケーラビリティと実用的有用性はどの程度か？

主な発見

• 提案手法はMIDOG21およびMIDOG22チャレンジで1位を獲得し、最先端の性能と一般化能力を実証した。
• フレームワークはTCGA-BRCAコホートで622,528枚以上の確認済み有丝分裂像を検出し、詳細なアノテーションが付与された1,125枚の全スライド画像を含む公開データセットを生成した。
• 二段階設計により計算効率が著しく向上し、初期段階での検出感度を高めても実行時間への影響が最小限に抑えられた。
• しきい値分析から、さまざまなセグメンテーションおよび分類しきい値においてF1スコアの変化が平坦であることが示され、チューニングにおけるロバスト性と柔軟性が裏付けられた。
• 自己教師型事前学習とドメイン一般化技術により、多様な画像条件下でのモデル一般化性能が著しく向上した。
• 微調整されたアーティファクト検出の統合により、一般的なヒストロジー的アーティファクトに起因する誤検出が低減され、実世界のWSI解析における信頼性が向上した。