[論文レビュー] MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis

Mo Zhang, Quanzheng Li|arXiv (Cornell University)|Dec 29, 2020

AI in cancer detection被引用数 6

ひとこと要約

本稿では、ヒストパスロジカル画像におけるヒエルキカルな組織構造を捉えるためにスペクトルグラフウェーブレットを活用する、マルチスケール・グラフウェーブレットニューラルネットワーク（MS-GWNN）を提案する。複数のスケーリングパラメータを用いた並列なグラフウェーブレット変換を適用し、マルチスケール特徴を統合することで、エンド・トゥ・エンド学習を実現し、BACHでは93.75%、BreakHisでは99.67%の精度を達成した。これは、最先端の手法を上回る結果である。

ABSTRACT

Breast cancer is one of the most common cancers in women worldwide, and early detection can significantly reduce the mortality rate of breast cancer. It is crucial to take multi-scale information of tissue structure into account in the detection of breast cancer. And thus, it is the key to design an accurate computer-aided detection (CAD) system to capture multi-scale contextual features in a cancerous tissue. In this work, we present a novel graph convolutional neural network for histopathological image classification of breast cancer. The new method, named multi-scale graph wavelet neural network (MS-GWNN), leverages the localization property of spectral graph wavelet to perform multi-scale analysis. By aggregating features at different scales, MS-GWNN can encode the multi-scale contextual interactions in the whole pathological slide. Experimental results on two public datasets demonstrate the superiority of the proposed method. Moreover, through ablation studies, we find that multi-scale analysis has a significant impact on the accuracy of cancer diagnosis.

研究の動機と目的

• ヒストパスロジカル画像からのマルチスケールの文脈的特徴を捉えることのできない既存のコンピュータ支援診断システムの限界を解消すること。
• グラフ畳み込みネットワークにおけるマルチステージパイプライン依存性に起因する脆弱性とエンド・トゥ・エンドでない問題を克服すること。
• 複数レベルの組織構造情報統合を可能にする統一的かつエンド・トゥ・エンドのフレームワークを構築し、がん診断の精度を向上させること。
• マルチスケール解析の重要性が、乳がん分類の診断精度向上に寄与することを検証すること。

提案手法

• ヒストパスロジカル画像を、組織パッチをノードとし、空間的近接性がエッジを定義するグラフ表現に変換する。
• 複数のスケーリングパラメータ（s）を用いたグラフウェーブレット変換を採用し、組織トポロジーの局所的でマルチスケールの解析を可能にする。
• 異なるスケーリングパラメータを有する複数の並列なグラフウェーブレットニューラルネットワーク（GWNN）を用い、さまざまな構造的レベルでの特徴抽出を実現する。
• 異なるスケールからの特徴を連結し、学習可能な統合メカニズムを用いて集約し、グラフレベルの分類予測を生成する。
• ノードレベルとグラフレベルの両方の監視を用いてエンド・トゥ・エンドでモデルを訓練し、二つの損失をバランスさせるハイパーパrameter λ を使用する。
• t-SNE可視化により、異なるスケールの埋め込みが、中間スケールでは腫瘍領域の凝集を示すなど、異なる構造的パターンを符号化していることが示された。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール・グラフウェーブレット表現は、ヒストパスロジカル画像におけるヒエラルキカルな組織構造を効果的に捉えることができるか？
• RQ2 マルチステージGCNパイプラインとは対照的に、グラフウェーブレットネットワークのエンド・トゥ・エンド学習は、診断性能を向上させるか？
• RQ3 グラフウェーブレットにおける異なるスケーリングパラメータ（s）は、文脈的な組織特徴を学習する能力にどのように影響するか？
• RQ4 正確ながん分類のためのノードレベルとグラフレベルの監視の最適なバランスは何か？
• RQ5 マルチスケール特徴学習は、ホールスライド画像における高精度な乳がん診断に不可欠であるか？

主な発見

• MS-GWNNは、BACHデータセットで93.75%、BreakHisデータセットで99.67%の精度を達成し、既存の最先端手法を上回った。
• アブレーションスタディにより、マルチスケール解析が診断精度を顕著に向上させることを確認した。全スケールを組み合わせた場合に最も高い性能を示した。
• 損失バランスの最適なスケーリングパラメータ λ は1であった。これは、ノードレベルとグラフレベルの監視が同等の重要性を持つことを示唆している。
• t-SNE可視化により、異なるスケールのグラフウェーブレット埋め込みが、異なる組織パターンを符号化していることが明らかになった。中間スケールの特徴は腫瘍領域の密な凝集を捉えており、より大きなスケールでは広範な構造的組織化が捉えられていた。
• 外部の細胞検出や特徴抽出ステップに依存せずに、豊富で階層的な表現を学習することで、モデルの頑健性と一般化性能が示された。
• 本研究は、適応的スケーリングを有するグラフウェーブレットが、デジタル病理会診におけるマルチレベル組織アーキテクチャをモデル化する強力なインダクティブバイアスを提供することを確認した。