[論文レビュー] Semantic Segmentation of Colon Glands with Deep Convolutional Neural Networks and Total Variation Segmentation

Philipp Kainz, Michael Pfeiffer+1 more|arXiv (Cornell University)|Nov 21, 2015

Radiomics and Machine Learning in Medical ImagingMedicine被引用数 21

ひとこと要約

本論文では、H&E染色された組織病理学スライドにおける腸管腺の意味的セグメンテーションのためのディープラーニングフレームワークを提示する。この手法は、全変動に基づく図背景セグメンテーションを組み合わせた2つの畳み込みニューラルネットワーク（Object-Net と Separator-Net）を統合し、精度を向上させている。本手法は、テストセットAでは98.33%、テストセットBでは93.75%の組織分類精度を達成しており、良性と悪性組織の明確な区別が可能である。

ABSTRACT

Segmentation of histopathology sections is an ubiquitous requirement in digital pathology and due to the large variability of biological tissue, machine learning techniques have shown superior performance over standard image processing methods. As part of the GlaS@MICCAI2015 colon gland segmentation challenge, we present a learning-based algorithm to segment glands in tissue of benign and malignant colorectal cancer. Images are preprocessed according to the Hematoxylin-Eosin staining protocol and two deep convolutional neural networks (CNN) are trained as pixel classifiers. The CNN predictions are then regularized using a figure-ground segmentation based on weighted total variation to produce the final segmentation result. On two test sets, our approach achieves a tissue classification accuracy of 98% and 94%, making use of the inherent capability of our system to distinguish between benign and malignant tissue.

研究の動機と目的

• 組織病理学画像における良性および悪性大腸癌組織の腺構造の高い多様性に対処すること。
• ディープラーニングとグローバルに最適な正則化技術を組み合わせることで、意味的セグメンテーションの性能を向上させること。
• ディープラーニングフレームワーク内での多クラス分類アプローチを用いて、良性と悪性組織の正確な区別を可能にすること。
• 接触または重なり合う腺を区別するための専用のセパレータネットワークを学習・適用することで、腺セグメンテーションを精緻化すること。

提案手法

• 前処理として、H&E染色画像の色の脱結合を実施し、ヘマトキシリン成分を分離して組織構造を強調し、照度に頑健な対応を図るためにコントラスト制限付き自己適応ヒストограм等化（CLAHE）を適用する。
• 2つのディープ畳み込みニューラルネットワークを訓練する：Object-Net はピクセルを腺またはバックグラウンドに分類し、Separator-Net は腺を分離する構造を特定して重なっている腺を解消する。
• 分類器の出力を凸型の測地的アクティブな輪郭定式化（重み付き全変動に基づく）を用いて統合・正則化し、輪郭長を最小化することでグローバルに最適な図背景セグメンテーションを実現する。
• 本手法は4クラスのピクセル分類設定を採用しており、Object-Net はバックグラウンド、良性腺、悪性腺、セパレータ構造の確率を出力する。
• 最終的なセグメンテーションは正則化された分類器出力から導出され、全変動最小化プロセスにより形状および境界の忠実度が向上する。
• 組織分類は画像領域全体におけるピクセルごとの確率を集約し、良性または悪性組織の平均確率が最大となるラベルを最終的に割り当てる。

実験結果

リサーチクエスチョン

• RQ1 2つのCNNを備えたディープラーニングベースの手法は、標準的な画像処理と比較して、H&E染色組織病理学スライドにおける腸管腺の意味的セグメンテーションを改善できるか？
• RQ2 専用のセパレータネットワークの統合は、重なっているまたは接触している腺の解消にどの程度効果的か？
• RQ3 全変動正則化は、腺セグメンテーションにおける分類精度および境界の正確性をどの程度向上させるか？
• RQ4 モデルは同時に腺セグメンテーションと良性／悪性組織分類の両方において高い精度を達成できるか？

主な発見

• 提案手法は、テストセットAで98.33%、テストセットBで93.75%の組織分類精度を達成し、良性と悪性組織の明確な区別が可能であることを示した。
• Separator-Net の追加により、F1スコア、Dice係数、ハウスドルフ距離といったセグメンテーション指標が著しく向上した。これは、重なっている腺の処理が改善されたためである。
• テストセットAでは良性ケースの平均意思決定信頼度が0.84（SD 0.13）、テストセットBでは0.74（SD 0.11）であり、信頼性の高いモデルの信頼度を示している。
• テストセットAでは悪性ケースの平均意思決定信頼度が0.81（SD 0.11）、テストセットBでは0.86（SD 0.15）であり、テストセット間で一貫した性能を示している。
• 定性的な結果から、本手法は重なっているまたは不規則な形状の腺を有する複雑な領域においても、良好に腺をセグメンテーションできており、挑戦的なケースにおいてもわずかな偽陽性および偽陰性しか認めなかった。
• 全変動正則化ステップにより、輪郭長を最小化しつつオブジェクトの境界を保持することで、グローバルに最適なセグメンテーションが成功し、形状の忠実度が向上した。