[論文レビュー] Multi-scale Regional Attention Deeplab3+: Multiple Myeloma Plasma Cells Segmentation in Microscopic Images

Afshin Bozorgpour, Reza Azad+2 more|arXiv (Cornell University)|May 13, 2021

Digital Imaging for Blood Diseases被引用数 12

ひとこと要約

本論文は、骨髄の顕微鏡画像における多発性マイエローマプラズマ細胞のインスタンスレベルセグメンテーションのための2段階のディーブラーニングフレームワークを提案する。最初にU-Netを用いて核を検出する。その後、スケール集合を用いたマルチスケール領域注意DeepLabv3+ネットワークを用いて細胞質のセグメンテーションを精緻化し、SegPC2021グランドチャレンジで2位（mIoU: 0.9385）の成績を収めた。

ABSTRACT

Multiple myeloma cancer is a type of blood cancer that happens when the growth of abnormal plasma cells becomes out of control in the bone marrow. There are various ways to diagnose multiple myeloma in bone marrow such as complete blood count test (CBC) or counting myeloma plasma cell in aspirate slide images using manual visualization or through image processing technique. In this work, an automatic deep learning method for the detection and segmentation of multiple myeloma plasma cell have been explored. To this end, a two-stage deep learning method is designed. In the first stage, the nucleus detection network is utilized to extract each instance of a cell of interest. The extracted instance is then fed to the multi-scale function to generate a multi-scale representation. The objective of the multi-scale function is to capture the shape variation and reduce the effect of object scale on the cytoplasm segmentation network. The generated scales are then fed into a pyramid of cytoplasm networks to learn the segmentation map in various scales. On top of the cytoplasm segmentation network, we included a scale aggregation function to refine and generate a final prediction. The proposed approach has been evaluated on the SegPC2021 grand-challenge and ranked second on the final test phase among all teams.

研究の動機と目的

• 骨髄接着スライド画像における多発性マイエローマプラズマ細胞の正確で自動的なセグメンテーションを解決すること。
• 病理医による手動評価に内在する観察者間および観察者内ばらつきを低減すること。
• マルチスケール表現と核誘導の監視信号を活用することで、細胞質セグメンテーションの正確性を向上させること。
• 臨床的診断支援のための堅牢でインスタンスに注意を向けるセグメンテーションパイプラインを構築すること。

提案手法

• 2段階のディーブラーニングパイプラインを採用する：まず、個々のプラズマ細胞核の検出とセグメンテーションを目的としたU-Netモデルを訓練する。
• 各検出された核を切り取り、細胞質セグメンテーション用のマルチスケール画像パッチを生成するための領域として用いる。
• ピラミッド構造の注意DeepLabv3+ネットワークが各スケールを処理し、細胞質予測のためのマルチスケールの文脈的特徴を学習する。
• スケール集合関数が、各スケールにおける細胞質面積と核面積の比を評価し、最適なセグメンテーションマスクを選択する。
• 核マスクを、細胞質セグメンテーションネットワークの学習中に監視信号として用いることで、局所化の正確性を向上させる。
• 訓練は、1つのGTX 1080 GPUで100エポック、各段階についてCross-Entropy損失とAdam最適化手法を用いて実施した。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールで領域ベースの注意機構は、多発性マイエローマプラズマ細胞の細胞質セグメンテーションの正確性を向上させることができるか？
• RQ2 核マスクの監視信号は、細胞質セグメンテーション性能の向上にどの程度効果的か？
• RQ3 面積比に基づくスケール集合は、非最大抑制などの標準的な統合戦略を上回る性能を示すか？
• RQ4 核検出とマルチスケール細胞質セグメンテーションを組み合わせた2段階アプローチは、実世界の骨髄画像データにおいて最先端の結果を達成できるか？

主な発見

• 本手法は、SegPC2021グランドチャレンジの最終テストフェーズにおいて、mIoUスコア0.9385を達成し、参加チームの中で2位となった。
• 大多数の競合チームを上回る性能を示し、1位チームとのmIoU差はわずか0.0004にとどまり、セグメンテーションの高精度さが裏付けられた。
• 細胞質対核面積比のヒストограм分析に基づくスケール選択戦略により、4つの明確なピークが同定され、最適な受容場のカバレッジを得るための4スケールの使用が正当化された。
• 核マスクを監視信号として組み込むことで、ネットワークが関連領域に注目するよう誘導され、細胞質セグメンテーションの正確性が顕著に向上した。
• 各スケールにおける面積比を評価するスケール集合関数は、非最大抑制などの標準的な統合手法よりも優れた性能を示した。