[論文レビュー] Reversed Active Learning based Atrous DenseNet for Pathological Image Classification

Yuexiang Li, Xinpeng Xie+2 more|arXiv (Cornell University)|Jul 6, 2018

AI in cancer detection参考文献 22被引用数 5

ひとこと要約

本論文は、病理的画像分類のための新規フレームワークを提案する。Reversed Active Learning (RAL) と Atrous DenseNet (ADN) を組み合わせたもので、RAL はトレーニングデータから誤分類されたパッチをフィルタリングし、ADN はドーナツ型畳み込み（atrous convolution）を密度ブロックに組み込んで多スケール特徴抽出を実現する。BACH データセットと CCG データセットにおいて、それぞれ 94.10% および 92.05% の平均パッチレベルの正確性を達成した。

ABSTRACT

Witnessed the development of deep learning in recent years, increasing number of researches try to adopt deep learning model for medical image analysis. However, the usage of deep learning networks for the pathological image analysis encounters several challenges, e.g. high resolution (gigapixel) of pathological images and lack of annotations of cancer areas. To address the challenges, we proposed a complete framework for the pathological image classification, which consists of a novel training strategy, namely reversed active learning (RAL), and an advanced network, namely atrous DenseNet (ADN). The proposed RAL can remove the mislabel patches in the training set. The refined training set can then be used to train widely used deep learning networks, e.g. VGG-16, ResNets, etc. A novel deep learning network, i.e. atrous DenseNet (ADN), is also proposed for the classification of pathological images. The proposed ADN achieves multi-scale feature extraction by integrating the atrous convolutions to the Dense Block. The proposed RAL and ADN have been evaluated on two pathological datasets, i.e. BACH and CCG. The experimental results demonstrate the excellent performance of the proposed ADN + RAL framework, i.e. the average patch-level ACAs of 94.10% and 92.05% on BACH and CCG validation sets were achieved.

研究の動機と目的

• 高解像度でギガピクセル級の病理的画像において、アノテーション付きのがん領域が限られているという課題に対処すること。
• 病理的画像データセットにおける誤分類パッチによって引き起こされるトレーニングデータのノイズを低減すること。
• ヒストパスロジカル画像解析に適した効果的な多スケール特徴抽出が可能なディープラーニングアーキテクチャの開発。
• 洗練されたトレーニング戦略と高度なネットワーク設計を通じて、病理的画像データセットにおける分類性能の向上。
• BACH や CCG のような実世界の病理的画像ベンチマークにおいて、提案されたフレームワークの妥当性を検証すること。

提案手法

• 逆方向アクティブラーニング（RAL）を導入し、不確実性および不一致指標を活用してトレーニングセットからの誤分類パッチを特定・削除する。
• アトロスDenseNet（ADN）は、パラメータ数を増加させずに感受 field を拡大するため、DenseNetアーキテクチャに拡張（アトロス）畳み込みを統合する。
• ADNのDenseNetブロックを変更し、アトロス畳み込みを採用することで、1つのネットワークから多スケール特徴学習を可能にする。
• RALで洗練されたトレーニングセットを用いて、VGG-16 や ResNets などのディープネットワークをトレーニングし、病理的画像における一般化性能を向上させる。
• フレームワークは、2つの病理的画像データセット（BACH と CCG）上でエンドツーエンドにトレーニングおよび評価される。
• 2段階のトレーニングプロセスを採用：まず RAL でデータセットをクリーニングし、次にクリーンなデータ上で ADN を分類用にトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 逆方向アクティブラーニング戦略は、病理的画像データセットにおける誤分類パッチを効果的に特定・削除できるか？
• RQ2 DenseNet にアトロス畳み込みを統合することで、ヒストパスロジカル画像分類における多スケール特徴抽出がどのように向上するか？
• RQ3 提案された ADN + RAL フレームワークは、ベンチマーク病理的画像データセットでどの程度のパフォーマンス向上を達成するか？
• RQ4 RAL によるデータクリーニングと ADN のような特化したネットワークアーキテクチャの組み合わせは、標準的なディープラーニングモデルよりも優れた一般化性能を示すか？
• RQ5 限られたアノテーション付きのがん領域を持つ高解像度・ギガピクセル級の病理的画像において、このフレームワークは高い正確性を維持できるか？

主な発見

• 提案された RAL 戦略は誤分類パッチを効果的に特定・削除し、トレーニングデータの品質向上とモデルの一般化性能向上に寄与した。
• アトロスDenseNet（ADN）は、密度ブロック内での拡張畳み込みを活用することで、多スケールのコンテキスト集約を実現し、優れた特徴表現を達成した。
• BACH データセットでは、ADN + RAL フレームワークがバリデーションセットで平均パッチレベル正確性 94.10% を達成した。
• CCG データセットでは、フレームワークがバリデーションセットで平均パッチレベル正確性 92.05% を達成した。
• 限られたアノテーション付きのがん領域でも高いパフォーマンスを示し、スパースなアノテーションに対しても頑健であることが示された。
• RAL によるデータ精錬と特化したネットワークアーキテクチャの組み合わせにより、VGG-16 や ResNets といった標準モデルよりも一貫した性能向上が得られた。