[論文レビュー] Signet Ring Cell Detection With a Semi-supervised Learning Framework

Jiahui Li, Shuang Yang+7 more|arXiv (Cornell University)|Jul 9, 2019

AI in cancer detection参考文献 23被引用数 16

ひとこと要約

本論文は、自己学習を用いてノイズの多いアノテーションを精錬し、協調学習を用いて未ラベル領域を活用する、全スライド画像におけるサインネットリング細胞検出のための新規な半教師あり学習フレームワークを提示する。限られたアノテーションで大規模で現実の臨床的データセット上での性能向上が顕著に達成され、最大でインスタンスレベルの FROC が 0.18 向上した。これにより、正確で臨床応用可能な検出が可能になった。

ABSTRACT

Signet ring cell carcinoma is a type of rare adenocarcinoma with poor prognosis. Early detection leads to huge improvement of patients' survival rate. However, pathologists can only visually detect signet ring cells under the microscope. This procedure is not only laborious but also prone to omission. An automatic and accurate signet ring cell detection solution is thus important but has not been investigated before. In this paper, we take the first step to present a semi-supervised learning framework for the signet ring cell detection problem. Self-training is proposed to deal with the challenge of incomplete annotations, and cooperative-training is adapted to explore the unlabeled regions. Combining the two techniques, our semi-supervised learning framework can make better use of both labeled and unlabeled data. Experiments on large real clinical data demonstrate the effectiveness of our design. Our framework achieves accurate signet ring cell detection and can be readily applied in the clinical trails. The dataset will be released soon to facilitate the development of the area.

研究の動機と目的

• 進行性の腺癌の早期診断に不可欠な、病理学的分野における自動化されたサインネットリング細胞検出の不足に対処すること。
• 病理医が散在または密集したサインネットリング細胞を見逃すことがある、臨床的全スライド画像における不完全でノイズの多いアノテーションの課題を克服すること。
• 限られたラベル付きデータと全スライド画像内の豊富な未ラベル領域を効果的に活用する半教師あり学習フレームワークを開発すること。
• 自己学習によるアノテーションの精錬と、未ラベル領域における協調学習によるモデル一般化の向上を通じて、検出性能を向上させること。
• 最小限のアノテーションコストで、実世界の多臓器 WSI データ上で堅牢な性能を示すことで、臨床応用を促進すること。

提案手法

• 初期検出器の予測から、高確信度の誤って見逃された陽性例（誤って見逃されたサインネットリング細胞）を同定し、それを精錬された陽性アノテーションとして再トレーニングに組み込む自己学習戦略を提案する。
• 異なるバックボーンを備えた2つの検出器を用い、未ラベル領域で互いに相互に監視する協調学習戦略を実装し、相手の高信頼度予測を仮ラベルとして使用する。
• 自己学習および協調学習の両方で反復的精錬を適用し、多様な WSI および臓器にわたるアノテーション品質とモデル一般化の段階的向上を実現する。
• 10個の臓器から得た127枚のH&E染色全スライド画像に、合計12,381個のサインネットリング細胞に対して、1枚あたり2〜3領域のタイトなバウンディングボックスを正例アノテーションとして使用する。
• サインネットリング細胞の形態的特徴（中心部に細胞質のムチン小胞、核が偏位）を検出のための主要な視覚的手がかりとして活用する。
• 不完全にアノテートされたデータに対する評価を可能にするために、集団レベルの再現率、インスタンスレベルの再現率、インスタンスレベルの FROC といった新しい評価指標を導入する。

実験結果

リサーチクエスチョン

• RQ1 全スライド画像のわずかな部分にしかアノテーションが付いていない状況下で、半教師あり学習フレームワークがサインネットリング細胞検出の精度を効果的に向上させられるか。
• RQ2 自己学習は、高信頼度の予測を用いてノイズの多い正例アノテーションを精錬することで、不完全なアノテーションの影響をどのように軽減するか。
• RQ3 未ラベル領域における協調学習は、多様な臓器および WSI 特徴にわたるモデル一般化をどの程度向上させるか。
• RQ4 なぜ自己学習は特定の誤検出（例：好中球、プラズマ細胞）を拡大させるのに対し、協調学習はそうした拡大を示さないのか。この差がモデルのロバストネスにどのように影響するか。
• RQ5 提案されたフレームワークは、最小限のアノテーションコストで、実際の多臓器 WSI データ上において臨床的に実用可能な検出性能を達成できるか。

主な発見

• 自己学習により、完全教師ありベースラインと比較して、エイジュモードでインスタンスレベルの FROC が 0.16 向上し、ハードモードで 0.18 向上した。これは、精錬されたアノテーションによる顕著な性能向上を示している。
• 協調学習により、エイジュモードとハードモードの性能差が縮まり、エイジュモードで 0.07、ハードモードで 0.14 のインスタンスレベル FROC 向上を達成した。
• ハードモードにおいて、集団レベルの再現率が 0.827、インスタンスレベルの再現率が 0.658 を達成した。これは、厳しい条件下でも強力な検出能力を示している。
• 自己学習では、追加の未ラベル領域を用いる際、正常領域の誤検出が急激に増加（5.22）した。これは、ノイズの多い仮ラベルによる誤りの拡大を示している。
• 協調学習では、特定の誤検出（例：好中球、プラズマ細胞）が拡大しなかった。これは、自己学習よりもノイズの多い仮ラベルに対してより高いロバストネスを示している。
• モデルは、黄色の多角形で可視化されたように、サインネットリング細胞の細胞縁を正確に捉えており、後続の応用（例：核質比の計算）に応用可能である。