[論文レビュー] Multiscale Deep Neural Networks for Multiclass Tissue Classification of Histological Whole-Slide Images

Rune Wetteland, Kjersti Engan+3 more|arXiv (Cornell University)|Sep 3, 2019

AI in cancer detection参考文献 6被引用数 12

ひとこと要約

本稿では、尿路上皮癌の組織画像（WSI）を6つの組織型—尿路上皮、ストーマ、筋肉、障害組織、血液、バックグラウンド—に分類するため、VGG16ベースの畳み込みニューラルネットワーク（CNN）を用いたマルチスケールディープラーニング手法を提案する。25x、100x、400xの複数の倍率レベルからの特徴を統合することで、DI-CNNおよびTRI-CNNモデルはF1スコア0.986を達成し、単一スケールベースラインを著しく上回り、マルチスケール特徴統合が診断的組織領域検出の分類精度を向上させることを示している。

ABSTRACT

Correct treatment of urothelial carcinoma patients is dependent on accurate grading and staging of the cancer tumour. This is determined manually by a pathologist by examining the histological whole-slide images (WSI). The large size of these images makes this a time-consuming and challenging task. The WSI contain a variety of tissue types, and a method for defining diagnostic relevant regions would have several advantages for visualization as well as further input to automated diagnosis systems. We propose an automatic multiscale method for classification of tiles from WSI of urothelial carcinoma patients into six classes. Three architectures based on convolutional neural network (CNN) were tested: MONO-CNN (400x), DI-CNN (100x/400x) and TRI-CNN (25x/100x/400x). The preliminary results show that the two multiscale models performed significantly better than the mono-scale model, achieving an F1-score of 0.986, substantiating that utilising multiple scales in the model aids the classification accuracy.

研究の動機と目的

• 全スライド画像（WSI）における尿路上皮癌の手作業による分類が時間と労力を要し、一貫性に欠けるという課題に対処すること。
• 病理医やコンピュータ支援診断システムの支援を目的として、大規模なWSIにおける診断的関連組織領域を自動で同定する手法を開発すること。
• 単一スケールアプローチと比較して、複数の空間スケール（25x、100x、400x）を統合することで、多クラス組織分類性能が向上するかどうかを評価すること。
• MONO-CNN（400x）、DI-CNN（100x/400x）、TRI-CNN（25x/100x/400x）の3つのCNNアーキテクチャを、精度、頑健性、パラメータ効率の観点から比較すること。

提案手法

• 同じ中心画素を保つように、WSIから3つの倍率（25x、100x、400x）で128×128×3のタイルを抽出した。
• 3つのモデルを訓練した：MONO-CNN（単一の400x入力）、DI-CNN（100xと400xの2つの並列入力）、TRI-CNN（25x、100x、400xの3つの並列入力）。
• 各入力は、重みを凍結した事前学習済みVGG16ネットワークを経由し、特徴抽出器として機能させた。
• 複数スケールからの特徴を連結し、2層の全結合層（それぞれドロップアウトとソフトマックス層を伴う）を経て、6クラス出力の分類ヘッドに渡した。
• 各モデルについて15のハイパーパramータ設定（FCニューロン数：512–4096、ドロップアウト率：0–0.5）を探索し、3-foldの訓練と平均化により頑健性を確保した。
• モデル選択には検証損失に基づく早期停止を用い、最終評価のための最良エポックを復元した。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールアプローチ（25x、100x、400x）をディープラーニングモデルに組み込むことで、単一スケールアプローチと比較して、尿路上皮癌WSIにおける多クラス組織分類精度が向上するか？
• RQ2 25x/100x/400xの複数スケールを統合するDI-CNNおよびTRI-CNNアーキテクチャは、6つの組織型分類において、性能とパラメータ効率の観点からどのように比較されるか？
• RQ3 マルチスケールアプローチは、単一スケールモデルと比較して、分類性能のばらつきをどの程度低減するか？
• RQ4 マルチスケールCNNは、病理医や自動診断システムのための領域オブインタレスト（ROI）抽出ツールとして効果的に機能するか？

主な発見

• DI-CNNおよびTRI-CNNモデルは、それぞれF1スコア0.986 ± 0.002および0.986 ± 0.003を達成し、MONO-CNNモデルのF1スコア0.944 ± 0.007を著しく上回った。
• マルチスケールモデルは、メトリクスの標準偏差が低く、分類性能の頑健性と一貫性が向上していることを示した。
• DI-CNNモデル（3600万パラメータ）は、より大きなTRI-CNN（4700万パラメータ）と同等のF1スコアを達成したため、2スケール統合で十分であり、より効率的であることが示唆された。
• マルチスケールモデルは、以前の自己符号化器ベースの手法（F1スコア：0.934 ± 0.061）を上回り、明示的なマルチスケール特徴統合の利点を確認した。
• 結果から、性能向上の要因は、単なるアーキテクチャの複雑さではなく、視野の拡大とマルチスケールコンテキストの統合に起因する可能性があると示唆された。