[論文レビュー] ScanNet: A Fast and Dense Scanning Framework for Metastatic Breast Cancer Detection from Whole-Slide Images

Huangjing Lin, Hao Chen+4 more|arXiv (Cornell University)|Jul 30, 2017

AI in cancer detection参考文献 10被引用数 10

ひとこと要約

本論文では、全スライド画像（WSIs）における転移性乳癌の検出のための高速で高密度な完全畳み込みネットワーク（FCN）ベースのフレームワーク、ScanNetを提案する。大きな受容 field、非同期データプリフェッチ、ハードネガティブマッピングを活用することで、複数のオフセットにおける効率的な推論と高密度予測が可能となり、Camelyon16ベンチマークで最先端の性能を達成した。FROCスコアは0.8533で、人間の病理学者（AUC 0.9875 対 0.9660）を上回った。

ABSTRACT

Lymph node metastasis is one of the most significant diagnostic indicators in breast cancer, which is traditionally observed under the microscope by pathologists. In recent years, computerized histology diagnosis has become one of the most rapidly expanding fields in medical image computing, which alleviates pathologists' workload and reduces misdiagnosis rate. However, automatic detection of lymph node metastases from whole slide images remains a challenging problem, due to the large-scale data with enormous resolutions and existence of hard mimics. In this paper, we propose a novel framework by leveraging fully convolutional networks for efficient inference to meet the speed requirement for clinical practice, while reconstructing dense predictions under different offsets for ensuring accurate detection on both micro- and macro-metastases. Incorporating with the strategies of asynchronous sample prefetching and hard negative mining, the network can be effectively trained. Extensive experiments on the benchmark dataset of 2016 Camelyon Grand Challenge corroborated the efficacy of our method. Compared with the state-of-the-art methods, our method achieved superior performance with a faster speed on the tumor localization task and surpassed human performance on the WSI classification task.

研究の動機と目的

• 極めて高い解像度、クラス不均衡、および困難な模倣症例の影響により、全スライド画像（WSIs）におけるリンパ節転移の検出が困難であるという課題に対処する。
• 高解像度におけるパッチベースの推論が遅く冗長であるのを避ける、計算効率の良い手法を開発する。
• 高密度で複数のオフセットからの確率マップ再構築により、マイクロおよびマクロ転移の両方の検出精度を向上させる。
• 処理時間の短縮により、臨床的実用性を確保しつつ、高い感度と特異度を維持する。

提案手法

• ギガピクセル級のWSIに対してエンドツーエンドで効率的な推論が可能な、大きな受容 field を持つ修正された完全畳み込みネットワーク（FCN）を用いる。
• トレーニングの高速化とデータ I/O ボトル neck の軽減のため、非同期サンプルプリフェッチを採用する。
• 豊富なバックグラウンド領域による深刻なクラス不均衡に対処するため、トレーニング中にハードネガティブマッピングを適用する。
• 複数の空間的オフセットからの確率マップの再構築により、高密度な予測を生成し、局在化精度を向上させる。
• 後処理としてモルフォロジカル操作を用いて、検出結果を精緻化し、誤検出を低減する。
• 計算負荷の低減のため、単純だが効果的な前処理ステップにより、情報のない領域を除去する。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みネットワークは、パッチベースの分類を用いずに、全スライド画像における転移性乳癌の高速かつ正確な検出を達成できるか？
• RQ2 高解像度のWSIにおいて、高密度で複数のオフセットからの予測は、マイクロおよびマクロ転移の両方の検出をどのように改善するか？
• RQ3 極端なクラス不均衡の下で、ハードネガティブマッピングと非同期プリフェッチは、モデル性能とトレーニング効率をどの程度向上させるか？
• RQ4 提案されたフレームワークは、全スライド画像レベルの分類において、人間の病理学者を上回る性能を示すか？

主な発見

• ScanNetは腫瘍局在タスクでFROCスコア0.8533を達成し、2番目に良い手法（0.8074）を4.6ポイント上回った。
• WSI分類タスクにおいて、AUC 0.9875を達成し、病理学者のAUC 0.9660を上回った。
• ハードネガティブマッピングの活用により、性能が顕著に向上した。ScanNet-32は、ハードネガティブマッピングを適用した場合にFROCスコア0.8133を達成したのに対し、適用しない場合は0.7030であった。
• 1枚のWSI（200,000×100,000ピクセル）を1台のGTX TITAN X GPUで処理するのに15分未満で完了した。臨床的実用性を示した。
• 複数オフセットからの再構築による高密度予測戦略により、疎な予測手法に比べてマイクロ転移の検出が優れていた。
• Camelyon16ベンチマークで最先端の性能を達成し、実臨床環境における有効性と効率性を裏付けた。