[論文レビュー] Nuclei Grading of Clear Cell Renal Cell Carcinoma in Histopathological Image by Composite High-Resolution Network

Zeyu Gao, Jiangbo Shi+7 more|arXiv (Cornell University)|Jun 20, 2021

AI in cancer detection参考文献 18被引用数 5

ひとこと要約

本稿では、クリアセル・レンアルセル・カルシノーマ（ccRCC）の組織病理学的画像における自動核グレーディングのための複合ハイコントラストネットワーク（CHR-Net）を提案する。2段階のW-Netを用いた正確な核インスタンスセグメンテーションと、細分化グレーディングにおけるクラス間類似性に対処するためのデュアルハイコントラスト特徴抽出フレームワーク（HRFE）を統合している。新規に導入された70,945個のアノテート済み核を含むデータセット上で、最先端の性能を達成しており、グレーディングの平均精度において、既存手法を最大6.82%上回っている。

ABSTRACT

The grade of clear cell renal cell carcinoma (ccRCC) is a critical prognostic factor, making ccRCC nuclei grading a crucial task in RCC pathology analysis. Computer-aided nuclei grading aims to improve pathologists' work efficiency while reducing their misdiagnosis rate by automatically identifying the grades of tumor nuclei within histopathological images. Such a task requires precisely segment and accurately classify the nuclei. However, most of the existing nuclei segmentation and classification methods can not handle the inter-class similarity property of nuclei grading, thus can not be directly applied to the ccRCC grading task. In this paper, we propose a Composite High-Resolution Network for ccRCC nuclei grading. Specifically, we propose a segmentation network called W-Net that can separate the clustered nuclei. Then, we recast the fine-grained classification of nuclei to two cross-category classification tasks, based on two high-resolution feature extractors (HRFEs) which are proposed for learning these two tasks. The two HRFEs share the same backbone encoder with W-Net by a composite connection so that meaningful features for the segmentation task can be inherited for the classification task. Last, a head-fusion block is applied to generate the predicted label of each nucleus. Furthermore, we introduce a dataset for ccRCC nuclei grading, containing 1000 image patches with 70945 annotated nuclei. We demonstrate that our proposed method achieves state-of-the-art performance compared to existing methods on this large ccRCC grading dataset.

研究の動機と目的

• ccRCC組織病理学における細分化グレーディングの課題に取り組むこと。特に、グレード間の類似性が分類を困難にする点に焦点を当てる。
• 2段階のW-Netアーキテクチャを用いて、凝集および重なり合う核のセグメンテーション精度を向上させること。
• ISUP/WHOグレーディング指針に基づく2つのクロスカテゴリ分類タスクに特化した2本の分類分岐フレームワークを構築し、より良い特徴学習を実現すること。
• ccRCCグレーディングのための、4つのタイプ（グレード1〜3および内皮細胞）を網羅的にアノテートした、新規の大規模データセット（70,945個の核）を提供すること。
• 共有バックボーンエンコーダからの特徴を共有する複合接続を統合し、セグメンテーションと分類を統合することで、特徴表現を強化すること。

提案手法

• 2段階のW-Netをインスタンスセグメンテーションに用いる：最初のU-Netに類似したネットワークが二値の前景・背景マップを予測し、2番目のネットワークがこれらのマップからの距離マップを予測する。
• 分類分岐では、HRNetに基づく2つのハイコントラスト特徴抽出器（HRFE）を用い、ISUP/WHOグレーディング指針から導出された2つのクロスカテゴリ分類タスクに特化している。
• 複合接続により、W-Netの共有バックボーンエンコーダからの特徴をHRFE分岐に統合し、分類に向けた高解像度表現を保持する。
• ヘッドフェージョンブロックが2つのHRFE分岐からの予測を統合し、最終的な核グレードラベルを生成する。
• モデルは、ImageNetで事前学習されたResNet-34をバックボーンとして、100エポックにわたり、10⁻⁴の初期のローレート（25エポック後に10⁻⁵に低下）でAdam最適化法を用いてエンドツーエンドで訓練される。
• 評価は、1,000枚の画像パッチ（70,945個のアノテート済み核を含む）からなる新規データセット上で実施され、PQ、Dice、AJI、aPQなどの指標が用いられる。

実験結果

リサーチクエスチョン

• RQ1 2段階セグメンテーションネットワークは、ccRCC組織病理学的画像における凝集・重なり合う核を効果的に分離できるか？
• RQ2 細分化グレーディングを2つのクロスカテゴリ分類タスクに分解することで、直接の多クラス分類と比較して性能が向上するか？
• RQ3 分類分岐全体で高解像度特徴を維持することで、低コントラストで形態的に類似した核の性能が向上するか？
• RQ4 セグメンテーションバックボーンからの特徴を共有する複合接続は、マルチタスク学習環境における分類精度を向上させるか？
• RQ5 提案手法は、大規模で細分化されたccRCC核データセットにおいて、最先端のモデルと比較してセグメンテーションおよび分類性能の両面で優れているか？

主な発見

• CHR-Netは、ccRCC核グレーディングデータセットで最高の平均PQスコア（0.7497）を達成し、U-Net（0.7359）、Mask-RCNN、Micro-Net、HoVer-Netを上回った。
• 核グレーディングにおいて、U-Net比で6.82%、Mask-RCNN比で7.09%、Micro-Net比で3.51%、HoVer-Net比で3.9%の平均精度（aPQ）向上を達成した。
• 2段階W-Netセグメンテーション分岐（MHR+WDist）は、Diceスコア0.8790、PQ 0.7497を達成し、単一分岐モデルSHR（Dice: 0.8692、PQ: 0.6980）を顕著に上回った。
• アブレーションスタディにより、2つのHRFE（MHR）は、単一HRFEと比較してグレード2および3のPQを1.5〜2.5%向上させ、タスク分解の利点を裏付けた。
• セグメンテーション分岐を備えないモデル（SHR）でさえ、U-Netよりグレード1（0.6376 vs 0.5911）および内皮細胞核（0.4342 vs 0.3857）のPQが高く、HRFE設計の有効性を証明した。
• MHR+WDistバージョンは、ベースラインSHRモデルに比べて平均PQが3.94%高い結果を示し、2段階セグメンテーションが分類に与える肯定的影響を確認した。