[論文レビュー] Multi-stream Faster RCNN for Mitosis Counting in Breast Cancer Images.

Robin Elizabeth Yancey|arXiv (Cornell University)|Feb 1, 2020

AI in cancer detection参考文献 38被引用数 7

ひとこと要約

本論文では、標準画像ストリームとセグメンテーション済みミトーシスマップストリームの特徴を統合するマルチストリーム Faster R-CNN モデルを提案し、乳がん組織画像におけるミトーシス検出を向上させる。本手法は、ICPR 2014 MITOSIS データセットで F-スコア 0.507 を達成し、コンテストの優勝者や最近のベンチマークを上回った。また、クラウド GPU を用いて 10 枚の High Power Field スライドあたり約 5 分で臨床的実用可能な推論が可能である。

ABSTRACT

Mitotic count is a commonly used method to assess the level of progression of breast cancer, which is now the fourth most prevalent cancer. Unfortunately, counting mitosis is a tedious and subjective task with poor reproducibility, especially for non-experts. Luckily, since the machine can read and compare more data with greater efficiency this could be the next modern technique to count mitosis. Furthermore, technological advancements in medicine have led to the increase in image data available for use in training. In this work, we propose a network constructed using a similar approach to one that has been used for image fraud detection with the segmented image map as the second stream input to Faster RCNN. This region-based detection model combines a fully convolutional Region Proposal Network to generate proposals and a classification network to classify each of these proposals as containing mitosis or not. Features from both streams are fused in the bilinear pooling layer to maintain the spatial concurrence of each. After training this model on the ICPR 2014 MITOSIS contest dataset, we received an F-measure score of 0.507, higher than both the winners score and scores from recent tests on the same data. Our method is clinically applicable, taking only around five min per ten full High Power Field slides when tested on a Quadro P6000 cloud GPU.

研究の動機と目的

• 乳がん診断における手作業によるミトーシス数え上げの主観性と低再現性を是正すること。
• ディープラーニングを活用してミトーシス検出を自動化し、正確性と効率性を向上させること。
• 生画像とセグメンテーション済みミトーシスマップデータの両方を二重ストリームとして用い、特徴表現を強化すること。
• 既存手法と比較して、ICPR 2014 MITOSIS コンテストデータセットで優れた性能を達成すること。
• 臨床現場での実用を想定した、病理学的ワークフローに適した実用的推論速度を有するシステムを開発すること。

提案手法

• 領域ベースの Faster R-CNN アーキテクチャを採用し、領域提案ネットワーク（RPN）を用いて候補オブジェクト提案を生成する。
• 潜在的なミトーシス領域を強調するセグメンテーション済み画像マップを用いた第二のストリームを導入し、追加入力として提供する。
• 双線形プーリング層を用いて両ストリームの特徴を統合し、空間的対応関係を保持するとともに、識別能を向上させる。
• ICPR 2014 MITOSIS データセット上でエンドツーエンドのモデルを学習し、領域提案生成とミトーシス分類の両方を同時に最適化する。
• 両入力ストリームからの階層的特徴を抽出するために、完全畳み込みバックボーンネットワークを用いる。
• 分類とボクシングボックス回帰の損失関数を組み合わせた標準的な検出損失関数を用いてモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 生画像特徴とセグメンテーション済みミトーシスマップストリームを統合することで、単一ストリームモデルと比較してミトーシス検出性能が向上するか？
• RQ2 提案されたマルチストリームアプローチは、ICPR 2014 MITOSIS ベンチマークで最先端の手法を上回るか？
• RQ3 高い検出精度を維持しつつ、臨床的受容可能な推論速度を達成できるか？
• RQ4 双線形プーリング機構は、統合された特徴空間における空間的関係をどのように保持しているか？
• RQ5 セグメンテーションマップの使用は、ノイズ低減と局在化精度の向上にどの程度寄与するか？

主な発見

• 提案されたマルチストリーム Faster R-CNN は、ICPR 2014 MITOSIS データセットで F-スコア 0.507 を達成し、コンテスト優勝者を上回った。
• 同ベンチマークデータセットにおいて、最近の最先端手法を上回る性能を示し、検出精度の向上を実証した。
• 臨床的実用可能な推論時間（10 High Power Field スライドあたり約 5 分）を達成し、Quadro P6000 クラウド GPU 上で実現した。
• 双線形プーリングによる生画像とマップ特徴の統合により、空間的特徴表現と検出信頼性が向上した。
• 本手法は、手作業によるミトーシス数え上げに内在する主観性を低減し、頑健性と再現性を示した。
• 結果から、マルチストリーム特徴統合は、組織画像におけるミトーシス検出の向上に有望なアプローチであると示唆された。