[論文レビュー] Multi-scale Deep Learning Architecture for Nucleus Detection in Renal Cell Carcinoma Microscopy Image

Shiba Kuanar, Vassilis Athitsos+2 more|arXiv (Cornell University)|Jan 1, 2021

AI in cancer detection参考文献 31被引用数 4

ひとこと要約

本論文は、腎細胞癌（ccRCC）のヒストロロジー画像における自動核検出のためのマルチスケールディープラーニングアーキテクチャを提案する。マルチスケール特徴ピラミッドとサリエンシー マッピングを活用することで、検出精度を向上させる。400枚のIHC染色スライドから成るコhortにおいて、F1スコア86.3%、平均AUPR 85.73%を達成し、最先端手法を上回る性能を示した。

ABSTRACT

Clear cell renal cell carcinoma (ccRCC) is one of the most common forms of intratumoral heterogeneity in the study of renal cancer. ccRCC originates from the epithelial lining of proximal convoluted renal tubules. These cells undergo abnormal mutations in the presence of Ki67 protein and create a lump-like structure through cell proliferation. Manual counting of tumor cells in the tissue-affected sections is one of the strongest prognostic markers for renal cancer. However, this procedure is time-consuming and also prone to subjectivity. These assessments are based on the physical cell appearance and suffer wide intra-observer variations. Therefore, better cell nucleus detection and counting techniques can be an important biomarker for the assessment of tumor cell proliferation in routine pathological investigations. In this paper, we introduce a deep learning-based detection model for cell classification on IHC stained histology images. These images are classified into binary classes to find the presence of Ki67 protein in cancer-affected nucleus regions. Our model maps the multi-scale pyramid features and saliency information from local bounded regions and predicts the bounding box coordinates through regression. Our method validates the impact of Ki67 expression across a cohort of four hundred histology images treated with localized ccRCC and compares our results with the existing state-of-the-art nucleus detection methods. The precision and recall scores of the proposed method are computed and compared on the clinical data sets. The experimental results demonstrate that our model improves the F1 score up to 86.3% and an average area under the Precision-Recall curve as 85.73%.

研究の動機と目的

• 腎がん病理診断における手作業による腫瘍細胞数え上げの高頻度な観察者間ばらつきと時間消費を是正すること。
• IHC染色された腎細胞癌ヒストロジー画像において、Ki67陽性核を自動的かつ客観的に検出する手法を開発すること。
• 局所画像領域からのサリエンシー情報とマルチスケール特徴を統合することで、核検出の正確性を向上させること。
• 400例の臨床的ccRCCヒストロジー画像コhortを用いて、モデルの性能を検証し、既存の最先端手法と比較すること。
• ディープラーニングベースの核検出を用いて、腫瘍細胞増殖の信頼性の高いバイオマーカーを確立すること。

提案手法

• モデルは、異なる受容 field サイズに対応する文脈的情報を捉えるためにマルチスケール特徴ピラミッドを採用する。
• 局所的なバウンディング領域からサリエンシー マップを抽出し、核検出のための注目領域を強調する。
• 統合されたマルチスケール特徴に基づいて、境界ボックス座標を予測するための回帰ヘッドを用いる。
• IHC染色ヒストロジー画像上でエンドツーエンドに訓練され、核をKi67陽性または陰性に分類する。
• スケール間で特徴マップを統合することで、核のサイズや染色強度の変動に強い検出性能を向上させる。
• 精度、再現率、F1スコア、および精度-再現率曲線下積分（AUPR）を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 既存手法と比較して、マルチスケールディープラーニングアーキテクチャはccRCCヒストロジー画像における核検出の正確性を向上させることができるか？
• RQ2 局所領域からのサリエンシー情報の統合が、核の局所化および分類にどの程度寄与するか？
• RQ3 400枚のIHC染色ccRCCスライドから成る臨床コhortにおいて、提案手法のF1スコアおよびAUPRはどの程度の水準にあるか？
• RQ4 マルチスケール特徴の統合は、サイズのばらつきや染色不均一性に起因する検出エラーを低減するか？
• RQ5 このモデルは、腎がん予後予測におけるKi67発現の信頼性の高い自動バイオマーカーとして機能できるか？

主な発見

• 提案手法はF1スコア86.3%を達成し、核検出における精度と再現率の良好なバランスを示した。
• 精度-再現率曲線下積分（AUPR）の平均は85.73%に達し、優れた検出性能を示した。
• 検証用臨床データセット（400例のccRCCヒストロジー画像）において、既存の最先端手法を上回る性能を示した。
• マルチスケール特徴とサリエンシー情報の統合により、多様な画像条件下でも検出のロバスト性が著しく向上した。
• 自動的かつ正確な核検出を可能にすることで、病理的評価における主観性と時間的負担を低減した。
• 結果から、本モデルが腎がんにおける腫瘍細胞増殖の信頼性の高いバイオマーカーとしての可能性を裏付けた。