[論文レビュー] PseudoEdgeNet: Nuclei Segmentation only with Point Annotations

Inwan Yoo, Donggeun Yoo+1 more|arXiv (Cornell University)|Jun 7, 2019

AI in cancer detection参考文献 17被引用数 8

ひとこと要約

本稿では、高価なセグメンテーションマスクの代わりにポイントアノテーションのみを用いて深層学習モデルをトレーニングする弱教師あり核セグメンテーション手法PseudoEdgeNetを提案する。境界学習を補助するための軽量な補助ネットワーク（PseudoEdgeNet）を導入し、擬似エッジマップを生成することで、2つの公的データセットにおいて最先端の性能を達成し、従来の弱教師あり手法よりも最大5.34%高いIoUを達成した。

ABSTRACT

Nuclei segmentation is one of the important tasks for whole slide image analysis in digital pathology. With the drastic advance of deep learning, recent deep networks have demonstrated successful performance of the nuclei segmentation task. However, a major bottleneck to achieving good performance is the cost for annotation. A large network requires a large number of segmentation masks, and this annotation task is given to pathologists, not the public. In this paper, we propose a weakly supervised nuclei segmentation method, which requires only point annotations for training. This method can scale to large training set as marking a point of a nucleus is much cheaper than the fine segmentation mask. To this end, we introduce a novel auxiliary network, called PseudoEdgeNet, which guides the segmentation network to recognize nuclei edges even without edge annotations. We evaluate our method with two public datasets, and the results demonstrate that the method consistently outperforms other weakly supervised methods.

研究の動機と目的

• 全スライド画像における核セグメンテーションの高コストなアノテーションを軽減するため、ピクセル単位のセグメンテーションマスクへの依存度を低下させること。
• ポイントアノテーションの限界（境界情報の欠如）を補うために、トレーニング中にエッジ詳細を推論するメカニズムを導入すること。
• 境界局在化を向上させるために、ポイント監視を活用する弱教師あり学習フレームワークを構築すること。
• エッジアノテーションを必要としない軽量な補助ネットワーク（PseudoEdgeNet）が、メインのセグメンテーションネットワークを効果的にガイドできることを示すこと。
• アノテーション作業を大幅に削減しながら、完全教師あり手法と比較して競争力のある性能を達成すること。

提案手法

• ポイントベースのラベルに基づくバイナリクロスエントロピー損失を用いてセグメンテーションネットワークをトレーニングする。ポイントアノテーションに近いピクセルを正例、ボロノイ境界（距離変換による）を負例とする。
• Sobelフィルタと軽量CNNを用いて擬似エッジマップを生成する補助ネットワークPseudoEdgeNetを導入し、教師なしエッジマップによるエッジ監視を可能にする。
• セグメンテーションとエッジ予測を併用するマルチタスク損失を用いて、PseudoEdgeNetとセグメンテーションネットワークを同時にトレーニングする。バランス係数λ=1.0を用いる。
• FPNとResNet-18を組み合わせたアテンションモジュール（h）をPseudoEdgeNetに組み込み、エッジ予測の精度を向上させ、特徴表現を強化する。
• 一般化性能を向上させるために、広範なデータオーグメンテーション（色のずれ、ノイズ、回転、弾性変形）を適用し、早期停止と学習率の段階的減少を用いる。
• Adamを最適化手法として用い、初期値学習率を0.001に設定し、検証IoUに基づいて最良のモデルを選択する。

実験結果

リサーチクエスチョン

• RQ1 セグメンテーションマスクの代わりにポイントアノテーションのみを用いることで、核セグメンテーションの性能を著しく向上させられるか？
• RQ2 エッジアノテーションを必要としない軽量な補助ネットワーク（PseudoEdgeNet）が、擬似エッジマップを生成することで境界学習を効果的にガイドできるか？
• RQ3 エッジネットワーク（g）の容量とアーキテクチャが、セグメンテーション性能に与える影響は何か？
• RQ4 PseudoEdgeNetにアテンションモジュール（h）を組み込むことで、モデルの細かい境界を学習する能力が向上するか？
• RQ5 既存の弱教師あり手法と比較して、提案手法はIoUとデータセット間の頑健性において優れているか？

主な発見

• 小さなエッジネットワーク（g）とアテンションモジュール（h）を備えたPseudoEdgeNetは、MoNuSegで0.6136 IoU、TNBCで0.6038 IoUを達成し、ベースライン[9]を+4.26%、+5.34%上回った。
• アテンションモジュール（h）の追加による性能向上は顕著であり、精緻なエッジ監視が境界局在化を改善していることを示している。
• 大きなエッジネットワーク（例：FPN-ResNet50）は、より小さなアーキテクチャに比べて性能が劣り、高い容量が有益ではなく、むしろ性能を損なう可能性があることを示している。
• 小さなエッジネットワークの深さ（2層から8層に増加）を増やしても性能に顕著な影響はなく、浅いネットワークで十分に効果的なエッジ監視が可能であることを示している。
• 完全教師あり学習（MoNuSegで0.6522 IoU）に近い高い性能を達成しており、擬似エッジガイド付きのポイントベース弱教師あり監視の有効性を示している。
• アブレーションスタディにより、エッジネットワーク（g）とアテンションモジュール（h）の両方が不可欠な要素であることが確認され、gが重要なエッジ監視を提供し、hがエッジ表現を精緻化している。